文章目录简介訓練自訂模型2. 安裝环境3. 開始訓練CLI 模式4. 預測5. 導出最后简介2022 年下半年 Yolov7 才剛推出沒幾個月2023 年初 Yolov8 馬上就推出來此次 Yolov8 跟 Yolov5 同樣是 Ultralytics 這家公司所製作並且一樣是使用 PyTorch 去做訓練提供三大類型的訓練方式 : 物件偵測Object Detection、實例分割Instance Segmentation、影像分類Image Classification。由下方圖片可以看到Yolov8 目前推論的效果是贏過其他 Yolo 系列並且提供五種模型大小 : YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8xYoloV8 跟以往不同的地方是無錨檢測Anchor Free Detection新的卷積層New Convolutions關閉馬賽克增強Closing the Mosaic AugmentationYOLOv8 架構圖, made by GitHub user RangeKingYOLOv8x 檢測和實例分割模型的輸出 form https://learnopencv.com/ultralytics-yolov8/訓練自訂模型此次YOLOv8跟以往訓練方式最大不同的是它大幅優化API讓一些不太會使用模型的人可以快速上手不用再手動下載模型跟進入命令列選取py執行真的是簡化很多準備資料首先準備要訓練的資料集這裡資料夾格式跟 Yolov5 是一模一樣的並且標記檔案為TXT並且個人大力推薦使用 Robotflow 去做標記他可以線上訓練模型也可以在標記圖片時輔助標記以及更重要的是他可以完全導出Yolo所需的格式並且不需要撰寫yaml檔資料夾格式yaml 檔主要設定路徑跟標記類別數量( nc )、標記名稱(names)yaml 檔格式2. 安裝环境pip install opencv23. 開始訓練python 模式調整模型名稱即可自動切換模式有些人在訓練時會出現OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.這種錯誤有兩種解法: 1.如下加上兩行程式碼 2.刪除libiomp5md.dll如出現 RuntimeError: DataLoader worker (pid(s)請在 train 增加*workers0*參數並嘗試調整數值results model.train(datadata.yaml, epochs3,workers0)from ultralytics import YOLO # import os # os.environ[KMP_DUPLICATE_LIB_OK]TRUE # Load a model model YOLO(yolov8n.pt) # load an official model results model.train(datadata.yaml, epochs3) # Validate the model results model.val(datadata.yaml) # no arguments needed, dataset and settings rememberedCLI 模式要切換模式時需更改 yolo 後面參數detect、segment、classify以及模型名稱yolo detect train datacoco128.yaml modelyolov8n.pt epochs100 imgsz6404. 預測python 模式results model(source0) 為啟動相機results model(folder)資料夾名稱 from ultralytics import YOLO # Load a model model YOLO(yolov8n.pt) # load an official model model YOLO(path/to/best.pt) # load a custom model # Predict with the model results model.predict(sourcehttps://ultralytics.com/images/bus.jpg,saveTrue) # predict on an image下方為結果圖注意要打上saveTrue否則無法輸出CLI 模式yolo detect predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg # predict with official model yolo detect predict modelpath/to/best.pt sourcehttps://ultralytics.com/images/bus.jpg # predict with custom model5. 導出如需導出其他版本像是 ONNX、OpenVINO、TensorRT只需在 Format 後填寫指定參數即可python 模式from ultralytics import YOLO # Load a model model YOLO(yolov8n.pt) # load an official model model YOLO(path/to/best.pt) # load a custom trained # Export the model model.export(formatonnx)CLI 模式yolo export modelyolov8n.pt formatonnx # export official model yolo export modelpath/to/best.pt formatonnx # export custom trained model\6. 完整程式碼from ultralytics import YOLO model YOLO(yolov8n.pt) # load a pretrained YOLOv8n model model.train(datacoco128.yaml) # train the model model.val() # evaluate model performance on the validation set model.predict(sourcehttps://ultralytics.com/images/bus.jpg,saveTrue) # predict on an image model.export(formatonnx) # export the model to ONNX format最后yolo26入门训练教程 训练自己的数据集 手把手训练推理使用教程
yolo26入门训练教程 训练自己的数据集 手把手训练推理使用教程
文章目录简介訓練自訂模型2. 安裝环境3. 開始訓練CLI 模式4. 預測5. 導出最后简介2022 年下半年 Yolov7 才剛推出沒幾個月2023 年初 Yolov8 馬上就推出來此次 Yolov8 跟 Yolov5 同樣是 Ultralytics 這家公司所製作並且一樣是使用 PyTorch 去做訓練提供三大類型的訓練方式 : 物件偵測Object Detection、實例分割Instance Segmentation、影像分類Image Classification。由下方圖片可以看到Yolov8 目前推論的效果是贏過其他 Yolo 系列並且提供五種模型大小 : YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8xYoloV8 跟以往不同的地方是無錨檢測Anchor Free Detection新的卷積層New Convolutions關閉馬賽克增強Closing the Mosaic AugmentationYOLOv8 架構圖, made by GitHub user RangeKingYOLOv8x 檢測和實例分割模型的輸出 form https://learnopencv.com/ultralytics-yolov8/訓練自訂模型此次YOLOv8跟以往訓練方式最大不同的是它大幅優化API讓一些不太會使用模型的人可以快速上手不用再手動下載模型跟進入命令列選取py執行真的是簡化很多準備資料首先準備要訓練的資料集這裡資料夾格式跟 Yolov5 是一模一樣的並且標記檔案為TXT並且個人大力推薦使用 Robotflow 去做標記他可以線上訓練模型也可以在標記圖片時輔助標記以及更重要的是他可以完全導出Yolo所需的格式並且不需要撰寫yaml檔資料夾格式yaml 檔主要設定路徑跟標記類別數量( nc )、標記名稱(names)yaml 檔格式2. 安裝环境pip install opencv23. 開始訓練python 模式調整模型名稱即可自動切換模式有些人在訓練時會出現OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.這種錯誤有兩種解法: 1.如下加上兩行程式碼 2.刪除libiomp5md.dll如出現 RuntimeError: DataLoader worker (pid(s)請在 train 增加*workers0*參數並嘗試調整數值results model.train(datadata.yaml, epochs3,workers0)from ultralytics import YOLO # import os # os.environ[KMP_DUPLICATE_LIB_OK]TRUE # Load a model model YOLO(yolov8n.pt) # load an official model results model.train(datadata.yaml, epochs3) # Validate the model results model.val(datadata.yaml) # no arguments needed, dataset and settings rememberedCLI 模式要切換模式時需更改 yolo 後面參數detect、segment、classify以及模型名稱yolo detect train datacoco128.yaml modelyolov8n.pt epochs100 imgsz6404. 預測python 模式results model(source0) 為啟動相機results model(folder)資料夾名稱 from ultralytics import YOLO # Load a model model YOLO(yolov8n.pt) # load an official model model YOLO(path/to/best.pt) # load a custom model # Predict with the model results model.predict(sourcehttps://ultralytics.com/images/bus.jpg,saveTrue) # predict on an image下方為結果圖注意要打上saveTrue否則無法輸出CLI 模式yolo detect predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg # predict with official model yolo detect predict modelpath/to/best.pt sourcehttps://ultralytics.com/images/bus.jpg # predict with custom model5. 導出如需導出其他版本像是 ONNX、OpenVINO、TensorRT只需在 Format 後填寫指定參數即可python 模式from ultralytics import YOLO # Load a model model YOLO(yolov8n.pt) # load an official model model YOLO(path/to/best.pt) # load a custom trained # Export the model model.export(formatonnx)CLI 模式yolo export modelyolov8n.pt formatonnx # export official model yolo export modelpath/to/best.pt formatonnx # export custom trained model\6. 完整程式碼from ultralytics import YOLO model YOLO(yolov8n.pt) # load a pretrained YOLOv8n model model.train(datacoco128.yaml) # train the model model.val() # evaluate model performance on the validation set model.predict(sourcehttps://ultralytics.com/images/bus.jpg,saveTrue) # predict on an image model.export(formatonnx) # export the model to ONNX format最后yolo26入门训练教程 训练自己的数据集 手把手训练推理使用教程
