1.数据集和训练模型
项目地址:https://github.com/airockchip/ultralytics_yolov8.git
从github(htps:l/github.com/airockchip/ultralytics_yolov8)上获取yolov8模型。
下载项目:
git clone https://github.com/airockchip/ultralytics_yolov8.git
安装:
Pip 使用 PyTorch>=1.7 在 Python>=3.8 环境中安装包含所有要求的 ultralytics 包。
pip install ultralytics
下载数据集:
数据集下载:从roboflow数据集网站下载火灾检测的数据集并导出为YOLO格式的标签文件(或者使用标注工具(如LabelImg或者LabelMe)进行数据标注,生成YOLO格式)。
导入数据集:
下载好的模型代码用Pycharm打开后,需要导入数据集进行训练。下面是数据集的结构:
修改配置文件:
dataset/data.yaml复制到ultralytics/cfg/datasets下,命名为my_dataset.yaml。
修改my_dataset.yaml的内容。
修改 ultralytics/cfg/model/v8/yolov8.yaml。
训练模型:
yolo detect train data=C:/Users/WYX/Desktop/code/yolov8-main/ultralytics/cfg/datasets/my_dataset.yaml model=yolov8n.pt epochs=500 batch=32 imgsz=640 device=cpu
训练结果:
设置训练500次,在过去100个周期中没有观察到任何改进,训练提前停止。最佳结果出现在第217个周期上,最佳模型保存为best.pt,图像大小640。训练完成后会在yolov8-main/runs/detect/train weights目录下面产生一个best.pt的模型文件,即训练好的模型。
训练完成后分别进行预测和验证。
预测:
默认预测的数据图片在ultralytics/assets,需要预测前放入要预测的数据图片。
yolo predict model=C:\Users\WYX\Desktop\code\yolov8-main\runs\detect\train\weights\best.pt
验证:
yolo val model=C:\Users\WYX\Desktop\code\yolov8-main\runs\detect\train\weights\best.pt data=data=C:/Users/WYX/Desktop/code/yolov8-main/ultralytics/cfg/datasets/my_dataset.yaml batch=32
结果:
参考链接:
YOLOv8目标检测在RK3588部署全过程_yolov8 rk3588-CSDN博客