Yolo V8 - OwnLu

为固化Yolo迁移训练、数据集调整步骤，方便同事复现。涉及的源码、数据集这里不做展示。

项目环境

服务器环境：python3.10

pip安装ultralytics

项目所在路径：/home/inspur/bl/helmet/ultralytics-main（对应bl_helmet环境）

训练、测试、标注、数据集转换

1. 训练(v8n，从头训练或迁移训练)

目前训练集中采用了标注真实数据+VOC2028数据集

数据所在路径：/home/inspur/bl/helmet/data/VOC2028

# from scratch-从头开始训练
yolo task=detect mode=train model=yolov8n.yaml data=./ultralytics/cfg/datasets/coco8_01.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0
# 如果./runs/detect下有训练好的pt节点，可以指定进行进行迁移训练
# Start training from a pretrained *.pt model
# yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
# yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

# from scratch-从头开始训练

yolo task=detect mode=train model=yolov8n.yaml data=./ultralytics/cfg/datasets/coco8_01.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0

# 如果./runs/detect下有训练好的pt节点，可以指定进行进行迁移训练

# Start training from a pretrained *.pt model

# yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training

# yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

yolov8n.yaml使用默认配置

coco8.yaml配置数据集目录与类别

2. Pt转onnx，前向测试

# 安装onnx
pip install onnx -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime -i https://pypi.tuna.tsinghua.edu.cn/simple
# 导出onnx模型 训练结果在runs/detect/train21/weights目录下
yolo export model=./runs/detect/train16/weights/best.pt format=onnx
# 前向测试 查看误检率 或者使用test_onnx.py测
yolo detect predict model=./runs/detect/train16/weights/best.pt source=../data/testImg save=True batch=58

# 安装onnx

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

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

# 导出onnx模型训练结果在runs/detect/train21/weights目录下

yolo export model=./runs/detect/train16/weights/best.pt format=onnx

# 前向测试查看误检率或者使用test_onnx.py测

yolo detect predict model=./runs/detect/train16/weights/best.pt source=../data/testImg save=True batch=58

3. 数据标注或预标注

# pip安装labelImg
pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple
# 命令行启动 进行标注
labelImg

# pip安装labelImg

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

# 命令行启动进行标注

labelImg

1）在./zz_dataprocess/中，配置好preLabel_helmet.py中图像及模型的路径，运行即可得到预标注文件(xml格式)；

2）利用labelImg软件手动矫正标注结果，xml与图片需在同一目录下。

4. 数据集转换

1）先执行./zz_dataprocess/test1.py 在ImageSets/Main中生成.txt 文件（列出文件名，数据集划分，需要在数据集目录下新建ImageSets/Main文件夹与train、val、test、trainval.txt，新建Annotations文件夹并将所有xml文件放入）;

2）将Main中的文件复制到dataSet（新建）中；

3）执行./zz_dataprocess/voc2coco.py. 在labels中生产label.txt 文件（xml转成txt的coco形式）。

4）复制到服务器，配置数据集路径训练模型；

5. 视频裁图片

video2imgs.py文件