​​​​​​yolov8实战第二天——yolov8训练结果分析（保姆式解读）-CSDN博客 

YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：

1. 更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。

2. 更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。

3. 支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。

4. 更易于训练和部署：YOLOv8采用了更加简单的网络结构和训练策略，使得它更易于训练和部署。

YOLOv8是一个非常强大的目标检测算法，它在准确性、速度和易用性方面都具有很大的优势，因此在工业界和学术界都受到了广泛的关注和应用。

一、yolov8部署

说明：请严格安装部署步骤。

第一步、显卡驱动查看 nvidia-smi 

第二步、yolo8代码下载

https://github.com/ultralytics/ultralytics 

第三步、cuda及cudnn安装

https://developer.nvidia.com/cuda-toolkit-archive 

https://developer.nvidia.com/rdp/cudnn-archive 

第四步、安装anaconda

https://www.anaconda.com/download

环境变量设置（安装在哪里就找那个路径）：

第五步、创建python环境

conda create -n yolo python==3.11 

conda环境操作指南：

查看现有环境 conda env list  

激活失败 conda init cmd.exe

删除环境 conda env remove -n yolo 

第六步、激活环境

一定要选择命令提示符。

activate yolo

以后每次使用都要激活该环境。

第七步、安装pytorch

https://pytorch.org/

我是cuda12.0，所以安装cuda11.8版本。 

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

第八步、安装库

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

第九步、推理检测

yolo predict model=yolov8n.pt source=bus.jpg

图片名自己设置，自动下载模型yolov8n.pt，结果在runs文件夹中。

第十步、训练

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

自动训练下载数据集datasets，报错，设置安装anaconda所在盘的虚拟内存。

二、yolov8训练自己的数据集

第一步、数据准备

在yolov8中建立datasets文件夹，然后建立数据集文件夹mydata。

mydata中是imges图片文件和label标注后的Annotations xml文件夹和imageSets。 

其中使用makeTxt.py,给数据分类trian val test。

import os
import random
 
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = './Annotations'
txtsavepath = './ImageSets'
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
ftrainval = open('./ImageSets/trainval.txt', 'w')
ftest = open('./ImageSets/test.txt', 'w')
ftrain = open('./ImageSets/train.txt', 'w')
fval = open('./ImageSets/val.txt', 'w')
 
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
 
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

运行后ImageSets文件夹生成四个txt。 

再使用voc_label.py,将数据转换成label格式。修改自己的类，逗号隔开，我训练的就一个“老鼠”类。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('train'), ('test'),('val')]

classes = ["mouse"]


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(image_id):
    in_file = open('Annotations/%s.xml'%(image_id))
    out_file = open('labels/%s.txt'%( image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        # difficult = obj.find('difficult').text
        cls = obj.find('name').text
        # if cls not in classes or int(difficult)==1:

        if cls not in classes:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for image_set in sets:
    if not os.path.exists('labels/'):
        os.makedirs('labels/')
    image_ids = open('ImageSets/%s.txt'%(image_set)).read().strip().split()
    list_file = open('%s.txt'%(image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/images/%s.jpg\n'%(wd,image_id))
        convert_annotation(image_id)
    list_file.close()

#os.system("cat 2008_train.txt > train.txt")
#os.system("cat 2008_train.txt 2008_val.txt > train.txt")
#os.system("cat 2008_train.txt 2008_val.txt 2008_test.txt> train.txt")

#os.system("cat 2014_train.txt 2014_val.txt 2012_train.txt 2012_val.txt > train.txt")
#os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

运行后生成labels文件夹和三个txt。

至此数据准备工作完成，开始训练。 

第二步、训练

建立一个yaml文件

shu.yaml

train: datasets/mydata/train.txt
val: datasets/mydata/val.txt


# Classes
names:
  0: mouse

训练指令：

yolo train data=shu.yaml model=yolov8n.pt epochs=100 lr0=0.01 

至此训练完成。 在runs中生成训练结果和训练模型。

训练结果分析：yolov8实战第二天——yolov8训练结果分析（保姆式解读）-CSDN博客

第三步、测试 

使用训练后的模型进行测试。

测试指令：

yolo predict model=runs/detect/train12/weights/best.pt source=datasets/mydata/images/mouse-4-6-0004.jpg