YoloV8详细训练教程.

相信各位都知道yolov8发布了，也是U神大作，而且V8还会出论文喔！

---

2023.1.17 更新 yolov8-grad-cam热力图可视化链接

---

2023.1.20 更新 YOLOV8改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU 链接

---

2023.1.30 更新 如果你需要修改或者改进yolov8的代码 务必请看这个视频链接 因为修改代码需要用另外一种方式去使用yolov8，不可以把yolov8的代码装到python环境里面。 并支持同时使用yaml初始化模型并载入预训练权重！

---

2023.1.30 更新 B站教学视频链接 YOLOV8改进-添加注意力机制 附带几十种注意力机制代码.

---

2023.2.8 更新 B站教学视频链接 YOLOV8改进-添加Wise-IoU.

---

2023.2.12 更新 B站教学视频链接 YOLOV8改进-添加可变形卷积(DCNV2).

---

2023.2.16 更新 B站教学视频链接 YOLOV8重大更新-支持目标跟踪.

---

2023.2.26 更新 B站教学视频链接 YOLOV8教程-resume继续上一次的训练.

---

2023.2.26 更新 B站教学视频链接 可视化并统计预测结果的TP，FP，FN

---

2023.2.26 更新 B站教学视频链接 YOLOV8重大更新-支持Anchor-Free YOLOV5结构并make great again！！！

---

重磅！！！！！ YOLO模型改进集合指南-CSDN

YoloV8精度和结构和改动简介

YoloV8精度对比：

Yolov8结构图：

YoloV8相对于YoloV5的改进点：

1. Replace the C3 module with the C2f module.
2. Replace the first 6x6 Conv with 3x3 Conv in the Backbone.
3. Delete two Convs (No.10 and No.14 in the YOLOv5 config).
4. Replace the first 1x1 Conv with 3x3 Conv in the Bottleneck.
5. Use decoupled head and delete the objectness branch.
6. anchor free.

重点来了！如何训练我们的yolov8模型？

哔哩哔哩Yolov8视频教学地址(配合本博文，包你秒懂！) (不用修改yolov8 纯使用的话 看这个)

1. 下载源码和准备数据集

代码链接:yolov8_github,本次其github的名字没有直接命名为yolov8。
数据集本次博主准备了一个小数据集，关于口罩目标检测数据集，数据集方面只要是voc和yolo格式都可以，下面会有转换脚本的示例。那么各位看官使用自己的数据集就可以，我这里就不提供下载我的数据集了(偷个懒!)。

2. 配置环境(yolov8从0开始安装环境哔哩哔哩视频教学地址)

1. 首先推荐使用anaconda作为你的python环境，代码工具可以使用vscode或者pycharm，这个根据使用者爱好，这边我使用的是pycharm，那么这里默认各位已经准备好anaconda和(vscode或者pycharm)，不会安装的话可以百度一下，这方面的教程都非常丰富。
2. 安装torch和torchvision
   你可以在这个pytorch官网中找到对应的安装命令，这里版本要求推荐torch==1.12.0+，下面贴出torch==1.12.0的各项安装命令，各位看官可以根据自己的电脑情况进行选择
   CUDA 11.6
   pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
   CUDA 11.3
   pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
   CUDA 10.2
   pip install torch==1.12.0+cu102 torchvision==0.13.0+cu102 --extra-index-url https://download.pytorch.org/whl/cu102
   CPU only
   pip install torch==1.12.0+cpu torchvision==0.13.0+cpu --extra-index-url https://download.pytorch.org/whl/cpu
3. 在代码目录下运行python setup.py install.
   运行后其会安装一些其依赖的包，会输出比较多的信息，怎么判断自己是否安装成功，主要是看最后输出是否有Finished processing dependencies for ultralytics即可.
   

3. 处理数据集

本博主的github上有适用于yolov3,v5,v7,v8的数据集转换脚本，其使用教程如下：

VOC标注格式数据集使用示例

1. 把图片存放在dataset\VOCdevkit\JPEGImages中，图片后缀需要一致，比如都是jpg或者png等等，不支持混合的图片后缀格式，比如一些是jpg，一些是png。
2. 把VOC标注格式的XML文件存放在dataset\VOCdevkit\Annotations中。
3. 运行xml2txt.py,在这个文件中其会把Annotations中的XML格式标注文件转换到txt中的yolo格式标注文件。其中xml2txt.py中的postfix参数是JPEGImages的图片后缀,修改成图片的后缀即可，默认为jpg。比如我的图片都是png后缀的，需要把postfix修改为png即可。其中运行这个文件的时候，输出信息会输出你的数据集的类别，你需要把类别列表复制到data.yaml中的names中，并且修改nc为你的类别数，也就是names中类别个数。
4. 运行split_data.py,这个文件是划分训练、验证、测试集。其中支持修改val_size验证集比例和test_size测试集比例，可以在split_data.py中找到对应的参数进行修改，然后postfix参数也是你的图片数据集后缀格式，默认为jpg，如果你的图片后缀不是jpg结尾的话，需要修改一下这个参数。

YOLO标注格式数据集使用示例

1. 把图片存放在dataset\VOCdevkit\JPEGImages中，图片后缀需要一致，比如都是jpg或者png等等，不支持混合的图片后缀格式，比如一些是jpg，一些是png。
2. 把YOLO标注格式的TXT文件存放在dataset\VOCdevkit\txt中。
3. 运行split_data.py,这个文件是划分训练、验证、测试集。其中支持修改val_size验证集比例和test_size测试集比例，可以在split_data.py中找到对应的参数进行修改，然后postfix参数也是你的图片数据集后缀格式，默认为jpg，如果你的图片后缀不是jpg结尾的话，需要修改一下这个参数。
4. 在data.yaml中的names设置你的类别，其为一个list，比如我的YOLO标注格式数据集中，0代表face，1代表body，那在data.yaml中就是names:[‘face’, ‘body’]，然后nc:2，nc就是类别个数。

VOC数据集操作示例

本博主准备的是voc标注格式的数据集，我们先把图片和VOC标注文件放到以下两个文件夹中：

然后运行xml2txt.py，其中这个文件有一个postfix参数，其为你图像的后缀格式，默认为jpg，如果你的图像是bmp或者png可以修改这个参数，当然其不支持混合的后缀格式，其会导致输出文件找不到的错误信息，这个请大家注意！运行后会输出以下：

我们需要把最后的输出[‘mask’, ‘face’]复制到data.yaml的names中，并且nc修改为自己数据集的类别数，也就是names列表的长度，本数据集为2.如下所示：

而且你会发现在dataset/VOCdevkit/txt里面会生成了对应的yolo格式的标注文件

YOLO数据集操作教程

对于yolo标注格式的数据集，我们直接把图像和对应的yolo标注文件放到dataset\VOCdevkit\JPEGImages和dataset\VOCdevkit\txt即可，然后在data.yaml中填写自己数据集的类别对应关系和类别数量即可。

分割数据集

无论对于VOC格式数据集还是YOLO格式数据集，按照上述步骤处理好后运行split_data.py，这个文件也有一个postfix参数，默认为jpg，如果自己的数据集不是jpg后缀的话，请自行修改，当然不支持混合后缀格式，请大家注意！split_data.py中还有val_size，test_size参数，其为比例系数，默认为0.1，0.2，如有需要请自行修改。运行成功后，其会自动创建下图这些文件夹，然后把对应的图片和标签文件复制到对应的文件夹中。

当你完成这一步的时候，数据集就处理完成。

4. 训练

训练过yolov5的都清楚，其会有一些配置文件和参数，但是这次v8稍有不同，其参数全部都存到一个yaml配置文件里面，就是其train.py是没有参数可以调整的，只需要在那个yaml配置文件里面进行修改即可，其路径为：ultralytics/yolo/configs/default.yaml，接下来对一些重点的参数进行讲解：

• model
  pt模型路径或者yaml模型配置文件路径。这次的v8稍有不同，这个model参数可以是pt也可以是yaml。
  1. pt
     相当于使用预训练权重进行训练，比如选择为yolov8n.pt，就是训练一个yolov8n模型，并且训练前导入这个pt的权重。
  2. yaml
     相当于直接初始化一个模型进行训练，比如选择为yolov8n.yaml，就是训练一个yolov8n模型，权重是随机初始化。
• data
  数据配置文件的路径，也就是第三点中的data.yaml。
• epochs
  训练次数。
• patience
  在精度持续一定epochs没有提升时，过早停止训练。也就是早停机制。
• batch
  batch size大小。
• imgsz
  输入图像大小。
• save
  是否保存模型。
• cache
  是否采用ram进行数据载入，设置True会加快训练速度，但是这个参数非常吃内存，一般服务器才会设置。
• device
  所选择的设备训练。
• workers
  载入数据的线程数。windows一般为4，服务器可以大点，windows上这个参数可能会导致线程报错，发现有关线程报错，可以尝试减少这个参数，这个参数默认为8，大部分都是需要减少的。
• project
  project name.一个保存文件夹的名字，一般不用改动。
• name
  训练保存的文件夹名字。
• exist_ok
  是否覆盖现有的保存文件夹。
• pretrained
  是否使用预训练模型，这个参数我并没有使用，因为在model参数中我直接设置pt模型路径。
• optimizer
  优化器选择。直接SGD、Adam、AdamW、RMSProp。
• verbose
  是否打印详细输出。
• seed
  随机种子。
• deterministic
  设置为True，保证实验的可复现性。
• single_cls
  如果你的数据集是多类别，这个参数设置为True的话，其会当做一个类别来进行训练，相当于只负责识别目标，不负责识别类别。
• image_weights
  使用加权图像选择进行训练。
• rect
  是否采用矩形训练。这个参数不好解释，想了解的同学可以自行百度。
• cos_lr
  是否采用cor lr调度器。
• close_mosaic
  默认值为10，意思就是在最后10个epochs关闭马赛克数据增强，其思想来源于YOLOX。
• resume
  是否继续上一次没完成的训练。

这次的yolo训练实在是太惊艳了，就是你只需要修改配置文件，其中在配置文件中有一个task和mode的参数，task就是选择detect，我们这边做的是目标检测，mode的话，你训练就是选择train，然后运行

yolo cfg=ultralytics/yolo/configs/default.yaml  

即可开始训练，太好用了！示例如下：

然后就开始训练，下面贴点训练过程输出的图：

4. 测试

这次YOLOV8的测试参数比之前的少，其解释如下：

• val
  我的理解是：设置为True就是计算验证集指标，设置为False就是计算测试集指标
  但是我测试的时候无论是True或者False都是计算验证集，可能是一个bug，毕竟刚出不久，代码架构改动这么大，期待后续更新。
• save_json
  是否把结果保存为json file。
• save_hybrid
  是否把结果保存为hybrid version of labels。这个我也不知道什么来的，没用过，大家可以设置为True看看，估计就是一种保存的格式。
• conf
  置信度。
• iou
  iou阈值。
• max_det
  最大检测数量。
• half
  是否使用fp16测试。
• dnn
  使用opencv的dnn进行onnx推理。
• plots
  配置文件中给的注释是show plots during training，有兴趣可以设置为True和False对比一下。
  需要注意的是需要把mode改为val，然后Train settings中的model参数修改为你训练保存的模型文件，如下：
  
  验证集测试结果如下：
  

5.推理

推理部分参数解释：

• source
  这个参数跟之前的yolov5一致，可以输入图片路径，图片文件夹路径，视频路径。
• show
  配置文件中给的解释是show results if possible，不太能理解，有兴趣可以设置为True or False进行对比看看。
• save_txt
  是否把识别结果保存为txt。
• save_conf
  保存为txt过程中是否保存目标的置信度。
• save_crop
  是否把目标进行裁剪下来进行保存。
• hide_label
  保存识别的图像时候是否隐藏label。
• hide_conf
  保存识别的图像时候是否隐藏置信度。
• vid_stride
  视频检测中的跳帧帧数。
• line_thickness
  目标框中的线条粗细大小。
• visualize
  配置文件中给的解释是visualize results，不太能理解，有兴趣可以设置为True or False进行对比看看。
• augment
  是否使用测试数据增强。
• agnostic_nms
  是否采用class-agnostic NMS。
• retina_masks
  配置文件中给的解释是use retina masks for object detection，没了解过，有兴趣可以设置为True or False进行对比看看。

需要注意的是需要把mode改为detect，然后Train settings中的model参数修改为你训练保存的模型文件，即可进行推理：

一些检测的效果图：

如果内容对你有帮助，麻烦点个赞，谢谢！