【yolov8】从0开始搭建部署YOLOv8,环境安装+推理+自定义数据集搭建与训练,一小时掌握
github链接:https://github.com/ultralytics/ultralytics
git拉取项目:
git clone https://github.com/ultralytics/ultralytics.git
首先查看pytorch支持的最高版本
PyTorch
https://pytorch.org/
然后查看N卡系统支持最高的版本
然后权衡下载支持最高版本的CUDA和cuDNN
CUDA工具包
https://developer.nvidia.cn/zh-cn/cuda-toolkit
cuDNN
https://developer.nvidia.com/rdp/cudnn-download
配置对应的环境变量
nvcc -V
:查看版本CUDA
安装项目依赖
pip install -e ultralyticspip install ultralyticspip install yolo
卸载项目依赖为你安装CPU版本pytorch,打开pytorch官网,使用对应命令下载GPU版本
推理示例:
yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source=‘ultralytics/assets/bus.jpg’
推理示例:
yolo task=detect mode=train model=yolov8s.pt data={dataset.location}/data.yaml epochs=100 imgsz=640 resume=True workers=2
1.自定义数据集结构讲解与制作
数据结构:
datasets
├─ data.yaml
├─ test
│ ├─ images
│ │ └─ ······
│ └─ labels
│ └─ ······
├─ train
│ ├─ images
│ │ └─ ······
│ └─ labels
│ └─ ······
├─ valid
│ ├─ images
│ │ └─ ······
│ └─ labels
│ └─ ······
├─ data.yaml
└─ yolov8n.yaml
2.YOLO CLI的简单介绍
3.如何中断续训
中断续训示例:
yolo task=detect mode=train model=runs/detect/train12/weights/last.pt epochs=500 imgsz=640 resume=True workers=2
其他:
cmd切换到对应的虚拟环境
conda info -eactivate ultralytics
test.py代码(查看pytorch是否支持GPU):
#输入库import torch#查看版本print(torch.__version__)#查看gpu是否可用print(torch.cuda.is_available())#返回设备gpu个数print(torch.cuda.device_count())# 查看对应CUDA的版本号print(torch.backends.cudnn.version())print(torch.version.cuda)#退出pythonquit()
按比例移动制作自定义数据集代码:
import osimport randomfrom tqdm import tqdm# 指定 images 文件夹路径image_dir = "D:/zm/coco128/images"# 指定 labels 文件夹路径label_dir = "D:/zm/coco128/labels"# 创建一个空列表来存储有效图片的路径valid_images = []# 创建一个空列表来存储有效 label 的路径valid_labels = []# 遍历 images 文件夹下的所有图片for image_name in os.listdir(image_dir): # 获取图片的完整路径 image_path = os.path.join(image_dir, image_name) # 获取图片文件的扩展名 ext = os.path.splitext(image_name)[-1] # 根据扩展名替换成对应的 label 文件名 label_name = image_name.replace(ext, ".txt") # 获取对应 label 的完整路径 label_path = os.path.join(label_dir, label_name) # 判断 label 是否存在 if not os.path.exists(label_path): # 删除图片 os.remove(image_path) print("deleted:", image_path) else: # 将图片路径添加到列表中 valid_images.append(image_path) # 将label路径添加到列表中 valid_labels.append(label_path) # print("valid:", image_path, label_path)# 遍历每个有效图片路径for i in tqdm(range(len(valid_images))): image_path = valid_images[i] label_path = valid_labels[i] # 随机生成一个概率 r = random.random() # 判断图片应该移动到哪个文件夹 # train:valid:test = 7:3:1 if r < 0.1: # 移动到 test 文件夹 destination = "D:/sj/project/python/ultralytics/datasets/test" elif r < 0.2: # 移动到 valid 文件夹 destination = "D:/sj/project/python/ultralytics/datasets/valid" else: # 移动到 train 文件夹 destination = "D:/sj/project/python/ultralytics/datasets/train" # 生成目标文件夹中图片的新路径 image_destination_path = os.path.join(destination, "images", os.path.basename(image_path)) # 移动图片到目标文件夹 os.rename(image_path, image_destination_path) # 生成目标文件夹中 label 的新路径 label_destination_path = os.path.join(destination, "labels", os.path.basename(label_path)) # 移动 label 到目标文件夹 os.rename(label_path, label_destination_path)print("valid images:", valid_images)#输出有效label路径列表print("valid labels:", valid_labels)
参考:
Ultralytics YOLOv8 Docs(官方的说明文档)
Windows10系统pytorch、cuda11.0、cuDNN安装
cuda 和 cudnn 库的卸载与安装 - 知乎
Pytorch环境详细安装教程【Win10+CUDA升级11.6+cudNN+Anaconda3虚拟环境+pycharm】
来源地址:https://blog.csdn.net/weixin_45371411/article/details/128697647
免责声明:
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341