yolov-data-train

功能说明

yolov-data-train 项目旨在使用YOLOv8进行模型训练，以实现高效的对象检测。该项目包括以下主要功能：

• 数据预处理：label-studio平台数据标注项目下载后的数据整合。
• 模型训练和评估：使用YOLOv8架构进行模型训练。

启用步骤

• 环境准备
  • 在终端中创建虚拟环境：

    conda create -n yolov-data-train python=3.9 -y
    conda activate yolov-data-train

  • 如果在Conda环境中无法使用git命令，可以按照以下命令安装git：

    conda install git

  • 克隆该项目：

    git clone https://github.com/Richard-wsy/yolov8_crane_yhsb.git

  • 查看自己设备cuda版本：

    nvidia-smi
    nvcc -V

  • 到pytorch官网根据自己设备型号选择torch版本，例如：在终端中运行nvidia-smi,得到CUDA Version: 12.5,可以在pytorch官网中依次选择：Your OS：你的操作系统如果是Windows选择Windows，如果是Linux选择Linux、Package：选择Pip、Language：编程语言选择Python、Compute Platform：cuda选择比刚刚在终端运行的cuda小的版本(例如：终端运行nvidia-smi得到12.5时就可以在pytorch官网中选择cuda 12.1、如果得到11.8，在官网中只能选择11.8，不能选择12.1)最后复制Run this Command栏的命令如：

    pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
    

    官网链接：Pytorch
  • 安装依赖包：

    cd yolov-data-train #进入yolov-data-train文件目录
    pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 #将刚刚在pytorch官网复制好的命令在终端中运行
    pip install -r requirements.txt

  • 数据准备：
    • 当前文件夹下新建名称为data文件夹

      mkdir data

    • 在公司建立的label-studio标注平台库，导出标好的数据文件，导出格式为yolo格式，将导出的文件解压到刚刚新建的data文件中，label-studio的网址如下： label-studio
    • 将导入到data文件中的不同项目标签数据文件进行整合，combine_projects.py文件中可以修改project_paths = ['data/projects1', 'data/projects2', 'data/projects3']在终端中运行：

      python combine_projects.py

    • 运行脚本后当前目录下会出现dataset文件，将dataset文件夹下images文件和labels文件里的数据进行分割制作训练集train和验证集val，在终端中运行如下命令：

      python profils_seg.py

    • 制作数据集配置文件，得到.yaml文件，终端运行如下命令：

      python make_yaml.py

  • 模型准备： 在yolov官网中下载预训练模型文件到当前文件夹下，各个预训练模型文件下载地址如下：
    • yolov8n.pt
    • yolov8s.pt
    • yolov8m.pt
    • yolov8l.pt
    • yolov8x.pt
  • 训练数据：
    • 训练参数配置，在train.py脚本中可以修改如下参数：

      parser.add_argument('--weights', type=str, default='yolov8n.pt', help='初始权重文件路径')
      parser.add_argument('--data', type=str, default='yolo_dataset.yaml', help='数据集配置文件路径')
      parser.add_argument('--epochs', type=int, default=300, help='训练的总周期数')
      parser.add_argument('--batch', type=int, default=64, help='每个批次的样本数')
      parser.add_argument('--imgsz', type=int, default=640, help='训练和验证的图像大小（以像素为单位）')
      parser.add_argument('--device', default='0', help='训练设备，例如 0 或 0,1,2,3 或 cpu')
      parser.add_argument('--workers', type=int, default=12, help='数据加载器的最大工作线程数')
      parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='AdamW', help='选择优化器')
      parser.add_argument('--lr0', type=float, default=0.1, help='初始学习率')
      parser.add_argument('--lrf', type=float, default=0.001, help='最终学习率')
      parser.add_argument('--weight_decay', type=float, default=0.0001, help='优化器的权重衰减')
      parser.add_argument('--momentum', type=float, default=0.937, help='优化器动量')
      parser.add_argument('--save_period', type=int, default=-1, help='每隔多少周期保存一次模型（如果 < 1 则禁用）')
      parser.add_argument('--single_cls', action='store_true', help='将多类数据作为单类处理')
      parser.add_argument('--freeze', type=int, nargs='+', default=[0], help='冻结层：backbone=10, first3=0 1 2')
      parser.add_argument('--cos_lr', action='store_true', help='使用余弦退火学习率调度')
      parser.add_argument('--label_smoothing', type=float, default=0.0, help='标签平滑参数')
      parser.add_argument('--patience', type=int, default=300, help='早停策略的耐心值（无改进的周期数）')
      

    • 开始训练，在终端中运行如下命令：

      python train.py

    • 训练结果,训练完成后目录下会出现runs文件，里面有训练过程记录的数据和训练好的模型权重weights文件，文件保存了best.pt和last.pt两个模型。

电脑配置问题：

• 建议在内存为32g及以上的配置运行，如果运行后一段时间卡住，尝试将batch参数调小。
• 可以尝试调整修改不同参数，达到好的训练效果。