yolov8_seg分割模型训练自己数据集

原创

已于 2023-06-06 15:53:02 修改 · 2.8k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #深度学习 #机器学习

于 2023-04-27 14:30:00 首次发布

该文介绍了如何使用Yolov8模型进行实例分割检测。首先，通过git克隆官方源码，然后进行数据预处理，包括将json标签转换为txt格式并按比例划分训练、验证和测试数据集。接着，配置my_seg.yaml文件以设定训练参数，并对yolov8-seg.yaml进行修改以适应自定义类别。最后，启动训练过程。

基本思想：业务需求，需要实例分割检测案例，选定yolov8模型训练自己业务场景数据集。

一、拉取官方源码

git clone https://github.com/ultralytics/ultralytics

二、数据准备

数据及结构

对数据集进行转换和划分。注意：将图片和json文件放在不同的文件夹里。如下图所示，另外新建两个文件夹txt和split文件夹。

注意标签是：类别 x坐标 y坐标 …（中间有空格，并且坐标除以了原图图片大小，归一化后的）这是实例分割的数据要求。

my_datasets
├── images    # 原始图片
├── json      # 对应json文件
├── split     # 划分后的数据集
│   ├── images
│   │   ├── test
│   │   ├── train
│   │   └── val
│   └── labels
│       ├── test
│       ├── train
│       └── val
└── txt    # 存放标签 （归一化后的值） 形式：ids x y x y ...

2.1 将json文件转换为txt格式

json2txt.py

# -*- coding: utf-8 -*-
import json
import os
import argparse
from tqdm import tqdm
 
 
def convert_label_json(json_dir, save_dir, classes):
    json_paths = os.listdir(json_dir)
    classes = classes.split(',')
 
    for json_path in tqdm(json_paths):
        # for json_path in json_paths:
        path = os.path.join(json_dir, json_path)
        with open(path, 'r') as load_f:
            json_dict = json.load(load_f)
        h, w = json_dict['imageHeight'], json_dict['imageWidth']
 
        # save txt path
        txt_path = os.path.join(save_dir, json_path.replace('json', 'txt'))
        txt_file = open(txt_path, 'w')
 
        for shape_dict in json_dict['shapes']:
            label = shape_dict['label']
            label_index = classes.index(label)
            point