windows系统下YoLov8改进模型训练自己的数据集

yolov8 github下载

1、此时确保自己的数据集格式是yolo 格式的（不会的去搜教程转下格式）。

你的自制数据集文件夹摆放

主目录文件夹摆放

自制数据集data.yaml文件路径模板

path: ../datasets/VOCdevkit train: images/train# train images (relative to 'path') 128 imagesval: images/val# val images (relative to 'path') 128 imagestest:# test images (optional)names: 0: name11: name2.....

2、把data.yaml放在yolov8–>ultralytics->datasets文件夹下面

3、然后模型配置改进yaml文件在主目录新建文件夹v8_cfg存放

模型改进修改与yolov5 类似，只是修改的文件名称与文件地址变化了

1.首先在yolov8–>ultralytics–>nn–>model.py添加你自己的新模型

2.然后在yolov8–>ultralytics–>nn–>task.py–>parse_model解析文件里面导入并添加你的模块

3.修改yolov8n.yaml文件

4、权重.pt文件直接下载到主目录下面

5、然后在主目录下新建推理v8_train.py

from ultralytics import YOLOif __name__ == '__main__':# 加载模型model = YOLO("./v8_cfg/yolov8n-test.yaml")# build a new model from scratchresults =model.train(data="data.yaml" ,epochs=500, model="yolov8n-test.yaml",imgsz=640,batch=30,workers = 2)

此时运行改进模型发现不会载入预训练权重，原因是因为yolov8 model只能载入pt或者yaml，二者只能其一，我们改进模型肯定要 选择mode = yaml

(1)参考魔傀面具大佬的blibli将下面这段代码插入yolov8–>ultralytics–>yolo–>engine–>model.py–>def _new，可以载入预训练权重进行迁移学习（如果不想用预训练权重想从0开始，则注释就行）

""" 添加代码bug """ckpt = torch.load('yolov8n.pt')csd = ckpt['model'].float().state_dict()csd = intersect_dicts(csd,self.model.state_dict())self.model.load_state_dict(csd,strict = False)print(f'Transferred {len(csd)}/{len(self.model.state_dict())} items')""" 添加代码bug """

具体插入位置如下图所示

(2)yolov8 train的时候会重新载入一次模型，用yolo测试模型yaml文件一次，后面又会覆盖一次 所以这里需要修改代码 文件路径yolov8–>ultralytics–>yolo–>engine–>model.py–>def train

self.trainer = TASK_MAP[self.task][1](overrides=overrides)# if not overrides.get('resume'):# manually set model only if not resuming# self.trainer.model = self.trainer.get_model(weights=self.model if self.ckpt else None, cfg=self.model.yaml)# self.model = self.trainer.modelself.trainer.model = self.model

插入具体位置如下图所示

6、然后在主目录下新建推理文件v8_predict.py，将best.pt移动到主目录下 新建v8_images文件夹存放你需要推理的图片

from ultralytics import YOLOif __name__ == '__main__':# Load a modelmodel = YOLO("best.pt")# Predict with the modelresults = model(source="v8_images",save=True,device= "cuda:0")# predict on an image