YOLOv8进阶 | 如何用yolov8训练自己的数据集（以安全帽佩戴检测举例）-编程知识

前言：Hello大家好，我是小哥谈。YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。本节课就带领大家如何基于YOLOv8来训练自己的目标检测模型，本次作者就以安全帽佩戴检测为案例进行说明，让大家可以轻松了解整个模型训练过程！~🌈

🚀1.算法介绍

🚀2.数据标注

🚀3.模型训练

🚀1.算法介绍

YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLOv8采用了一种单阶段的检测方法，可以实时地在图像或视频中检测出多个目标物体的位置和类别。YOLOv8的核心思想是将目标检测任务转化为一个回归问题，通过一个卷积神经网络将输入图像映射到一个固定大小的特征图上，并在特征图上进行目标的位置和类别的预测。相比于传统的两阶段方法，YOLOv8具有更快的检测速度和更高的准确率。

YOLOv8的网络结构采用了Darknet作为基础网络，通过多个卷积层和池化层提取图像特征，并通过全连接层进行目标的位置和类别的预测。此外，YOLOv8还引入了一些技巧来提升检测性能，如使用多尺度特征图进行目标检测、使用Anchor Boxes来处理不同尺度的目标等。

YOLOv8的主要特点包括：

高速度：YOLOv8能够实时地进行目标检测，达到了非常快的检测速度。
高准确率：YOLOv8在保持较快速度的同时，也具备较高的检测准确率。
多尺度检测：YOLOv8可以在不同尺度的特征图上进行目标检测，从而能够检测到不同大小的目标物体。
多类别检测：YOLOv8可以同时检测多个不同类别的目标物体。

总结来说，YOLOv8是一种高效准确的目标检测算法，可以广泛应用于实时物体检测、视频监控、自动驾驶等领域。

YOLOv8官方仓库地址：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

作者在官网下载后，将含有预训练权重文件的YOLOv8完整源码进行了上传，大家可自行下载。

🚀2.数据标注

利用labelimg或者make sense软件来标注数据，关于如何使用labelimg或者make sense软件来为自己的数据集打上标签，请参考作者专栏文章：

说明：♨️♨️♨️

数据标注工具的使用教程：

YOLOv5入门实践（1）— 手把手教你使用labelimg标注数据集（附安装包+使用教程）

YOLOv5入门实践（2）— 手把手教你使用make sense标注数据集（附工具地址+使用教程）

🚀3.模型训练

第1步：准备数据集

将数据集放在datasets文件夹中。datasets属于放置数据集的地方，位于PycharmProjects中，C:\Users\Lenovo\PycharmProjects中（这是我的电脑位置，跟你的不一定一样，反正位于PycharmProjects中，如果没有，可自行创建），属于项目的同级文件夹。具体如下图所示：

打开datasets文件夹，可以看到本次安全帽训练所使用的数据集。

安全帽佩戴检测数据集是我手动标注好的，可以在我的博客“资源”中下载。

打开数据集文件，我们会看到数据集文件包括images和labels两个文件夹，其中，images放的是数据集图片，包括train和val两个文件夹，labels放的是经过labelimg标注所生成的标签，也包括train和val两个文件夹。

关于此处数据集的逻辑关系，用一张图总结就是：⬇️⬇️⬇️

第2步：创建yaml文件

打开pycharm，选择YOLOv8项目源码文件，在ultralytics\cfg\datasets下新建一个helmet.yaml，如下图所示：

打开helmet.yaml，按照如下图所示的进行配置：

说明：♨️♨️♨️

1.train和val为绝对路径地址，可根据自己数据集的路径地址自行设置。

2.nc指的是分类，即模型训练结果分类，此处为在用labelimg或者make sense为数据集标注时候确定。

3.由于本次进行的是安全帽佩戴检测模型训练，所以分两类，分别是：helmet（佩戴安全帽）和nohelmet（不佩戴安全帽）

打开coco128.yaml文件，可以看到里面写的是相对路径，和我们的写法不同，但是都可以使用，据我所知还有很多种数据集读取方式：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128  ← downloads here (7 MB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)# Classes
names:0: person1: bicycle2: car3: motorcycle4: airplane5: bus6: train7: truck8: boat9: traffic light10: fire hydrant11: stop sign12: parking meter13: bench14: bird15: cat16: dog17: horse18: sheep19: cow20: elephant21: bear22: zebra23: giraffe24: backpack25: umbrella26: handbag27: tie28: suitcase29: frisbee30: skis31: snowboard32: sports ball33: kite34: baseball bat35: baseball glove36: skateboard37: surfboard38: tennis racket39: bottle40: wine glass41: cup42: fork43: knife44: spoon45: bowl46: banana47: apple48: sandwich49: orange50: broccoli51: carrot52: hot dog53: pizza54: donut55: cake56: chair57: couch58: potted plant59: bed60: dining table61: toilet62: tv63: laptop64: mouse65: remote66: keyboard67: cell phone68: microwave69: oven70: toaster71: sink72: refrigerator73: book74: clock75: vase76: scissors77: teddy bear78: hair drier79: toothbrush# Download script/URL (optional)
download: https://ultralytics.com/assets/coco128.zip

第3步：下载预训练权重

打开YOLOv8官方仓库地址，可以根据需要下载相应的预训练权重。

预训练权重下载地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

下载完毕后，即可将其复制粘贴到YOLOv8源码的主目录下。具体如下图所示：

第4步：新建Python文件

通过查看YOLOv8官方文档可知，YOLOv8提供CLI和python两种训练方式。区别在于：

方式1：CLI就是直接在终端运行指令
方式2：python需要你新建一个python文件，然后运行代码

YOLOv8官方文档地址：Home - Ultralytics YOLOv8 Docs

本次训练作者采用方式2。

在YOLOv8源码目录下新建Python文件，命名为mytrain.py。具体如下图所示：

本次案例，我的mytrain.py文件内容如下所示，大家可自行调整路径地址。

from ultralytics import YOLO
import wandbwandb.init(project="YOLOv8")# Load a model
model = YOLO(r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\ultralytics\cfg\models\v8\yolov8.yaml")  # build a new model from scratch
model = YOLO(r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\yolov8s.pt")  # load a pretrained model (recommended for training)# Use the model
model.train(data=r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\ultralytics\cfg\datasets\helmet.yaml", epochs=100)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
#results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
#path = model.export(format="onnx")  # export the model to ONNX format