學習資源：https://www.youtube.com/watch?v=Z-65nqxUdl4

@努力的小巴掌 記錄計算機視覺學習道路上的所思所得。

1、準備圖片images

收集數(shù)據(jù)網(wǎng)站：OPEN IMAGES?

2、準備標簽labels

網(wǎng)站：CVAT? 有點是：支持直接導出yolo格式的標簽

步驟：創(chuàng)建項目---Projects---輸入類別--上傳數(shù)據(jù)

目標檢測標簽文件格式：

每一行代表一個檢測對象：類別，Center_x, Center_y, W, H

每一個label文件中的行數(shù)，對應該張圖片中檢測對象的數(shù)量

注意：Center_x, Center_y, W, H這4個數(shù)字是浮點數(shù)，因為是相對于整個圖像的大小

3、文件格式化

images

labels

名稱完全相同，拓展名不同

4、開始訓練

yolov8的便捷之處在于，可以直接在python中使用代碼運行?；蛘呙钚羞\行。

方法1：python解釋器運行

創(chuàng)建main.py

• 下載庫：from ultralytics import YOLO

ultralytics庫占用空間挺大的。做好準備。

• 加載模型：model = YOLO("yolov8n.yaml")

這個模型對應著官網(wǎng)的不同版本，n到x，適應的目標檢測越來越大。

按照任務不同進行模型的選擇。

• 創(chuàng)建配置文件
  config.yaml

config.yaml文件的位置與main.py位于同一個目錄下?？梢哉＿\行。

path指向存放data路徑，train和val是存放圖片的具體位置。

注意：config文件中的path需要是絕對路徑（直接去文件夾復制就好了），不要是相對路徑，不然就會報錯。

如上圖，設計train和val是同樣的圖片； 可以用相同的數(shù)據(jù)作為train和val。

方法2：終端運行

yolo detect train data=config.yaml model='yolov8n.yaml' epochs=2

參考：

CLI - Ultralytics YOLO Docs

5、查看訓練結(jié)果

看圖表：

混淆矩陣：有關如何預測不同類別，會包含所有的類別

F1 confidence curve

Precison confidence curve

Precison recall curve

Loss：確保損失是在下降的

看圖片結(jié)果判斷

?6、使用全新圖片或者視頻進行預測以判斷模型好壞

創(chuàng)建predict.py文件

參考：【yolov8語義分割】跑通：下載yolov8+預測圖片+預測視頻-CSDN博客