yolo 训练自己的数据集
发布时间
阅读量：
阅读量
要使用带有Bam标签的自定义数据集训练YOLO模型，需要进行以下准备工作：
步骤 1：准备数据集
图片数据 ：
* 将所有用于训练的图片放在一个文件夹中，通常是`images/train`。
* 对应的验证集图片可以放在`images/val`。标签数据 ：
* 每个图片文件需要有一个对应的标签文件，标签文件使用相同的文件名，但扩展名为`.txt`。
* 标签文件的内容格式如下： 0 x_center y_center width height其中0代表Bam的类别编号（假设数据集中只有一种类别）。x_center, y_center, width, height均为相对于图片尺寸的归一化值（0到1之间）。
步骤 2：创建YOLO数据集配置文件
在项目中创建一个.yaml文件，例如zhuli.yaml，内容如下：
path: E:/PYTHON/yolo_v8/datasets/zhuli # 数据集路径
train: images/train # 训练集图片路径
val: images/val # 验证集图片路径
nc: 1 # 类别数量
names:
0: "Bam" # 类别名称步骤 3：安装必要的依赖
- 确保已经安装了YOLOv8所需的库。可以使用以下命令安装：
pip install ultralytics步骤 4：加载并训练YOLO模型
- 使用以下代码来加载YOLO模型并开始训练：
1. import os
2. from ultralytics import YOLO
3. import multiprocessing
4.
5. if __name__ == '__main__':
6. # 设置环境变量
7. os.environ['CUDA_LAUNCH_BLOCKING'] = '1'
8. os.environ['TORCH_USE_CUDA_DSA'] = '1'
9.
10. # 加载预训练的YOLO模型
11. model = YOLO('yolov8n.pt') # 使用较小的模型以适应硬件资源
12.
13. # 设置训练参数
14. train_args = {
15. 'data': 'E:/PYTHON/yolo_v8/datasets/zhuli/zhuli.yaml', # 自定义数据集的yaml路径
16. 'epochs': 30, # 训练轮次
17. 'imgsz': 1024, # 图片输入尺寸
18. 'batch': 4, # 批处理大小
19. 'workers': 4, # 使用的线程数量
20. 'lr0': 0.0001, # 初始学习率
21. }
22.
23. # 在 Windows 系统上，确保正确处理多进程
24. if os.name == 'nt':
25. multiprocessing.freeze_support()
26.
27. # 开始训练
28. model.train(**train_args)步骤 5：评估和导出模型
通过这些步骤，您可以训练出一个能够检测Bam的YOLO模型。
- 在训练完成后，可以通过以下命令评估模型：
results = model.val()- 如果模型表现良好，可以将其导出用于推理：
model.export(format='torchscript') # 导出为TorchScript格式训练时的注意事项
- 检查标签文件的准确性 ：确保每个标签文件与对应图片匹配且标签格式正确。
- 数据预处理 ：如果图片的尺寸不一致，YOLO会在训练时自动调整，但最好在数据准备阶段保持一致性。
全部评论 (0)
还没有任何评论哟~