|
|
教程目的：
yolov8的安装配置到训练模型，并完成使用模型进行识别
前提注意：
yolov8要求Python需要版本必需大于等于310，我用的Python3123，这里分享下Python3123的安装器=panquarkcns2f9cad8130ab
以及教程中用到的yolov8源码、权重文件、GPU配套版本的Torch=?panquarkcns388cdfd7ca3f
大致步骤
1下载源代码并下载所需库2更换GPU版本的Torch和Numpy版本3下载权重文件4准备数据集5开始训练6测试模型
步骤1：下载源代码并下载所需库
下载yolov8源代码然后Pycharm创建项目，并将源代码放入进行解压
下载源码=ultralyticsultralytics:UltralyticsYOLO11??(githubcom)
然后下载所需库，控制台执行命令pipinstallultralytics
pipinstallultralytics
提示：现在官方提供下载所需库的命令是pipinstallultralytics，而不再是通过requirementstxt下载库了，并且源码也删除了requirementstxt
步骤2：更换GPU版本的Torch和Numpy版本
所需库下载完了后，默认下载的torch是CPU版本的，我需要GPU版本的torch，因此还需要更换torch的版本，我们可以先检查下torch的版本以及cuda是否可用，根目录创建一个py文件，为cuda检查py，放置如下代码并且执行：
importtorch
importnumpyasnp
#检查GPU、Cuda
print("numpy版本："+np__version__)
print("CUDA是否可用=",torchcudais_available())
print("pytorch版本="+torch__version__)
print("是否支持CUDA="+str(torchcudais_available()))
#如果有GPU可用，打印GPU数量和称
iftorchcudais_available():
print("GPU设备数量=",torchcudadece_count())
print("当前使用GPU=",torchcudaget_dece_name(torchcudacurrent_dece()))
else:
print("没有GPU可用，当前将运行在CPU上")
?
如果没问题，会显示如下，那么你可以直接去看步骤3了
如果你的pytorch显示cpu版本的，且numpy提示报错了，请继续看如下解决方案：
21下载cuda，更换GPU版本的torch
cuda官方下载链接：developerndiacomcuda-toolkit-archive
我下载的是?1220?版本，安装时选择默认路径即可。
然后来到PyTorch，因为我下载的是CUDA122，往下拉可以看到一个注释为CUDA121的，这里可以看到我们应当使用的torch版本，记住这几个版本号
?
然后来到PyTorch库官方下载页?
使用捷键ctrl+f搜索并下载GPU配套版本torch：
torch：搜索?cu121torch-221(版本小一点是可以的)，选择cp312-win的版本（因为我是python312且为windows）
torchsion：搜索?cu121torchsion-0171，选择?cp312-win?的版本。
torchaudio：搜索?cu121torchaudio-221，选择?cp312-win?的版本。
个whl文件下载完后建议放到yolov8根目录，然后cmd进入此目录，依次执行以下条命令安装：
pipinstall"torch-221+cu121-cp39-cp39-win_amd64whl"
pipinstall"torchsion-0171+cu121-cp39-cp39-win_amd64whl"
pipinstall"torchaudio-221+cu121-cp39-cp39-win_amd64whl"
注意：安装首个whl文件时会出现红色文字提示，这不是说安装失败，是提示还需要安装torchsion
22更换numpy版本
我是遇到这个问题了，yolov8要求numpy版本不得大于20，因此我需要先卸载当前大于20版本的numpy，然后降低版本为20以下，依次执行如下命令：
1卸载现有的Numpyku
pipuninstallnumpy
2安装20以下且yolov8支持的numpy版本
pipinstallnumpy==1264
比较后建议执行下刚才创建的cuda检查py文件，看看是否已经完成了GPU版本的torch安装
步骤3：下载权重文件
下载权重文件（也成为预训练检查点文件），然后建议放入yolov8源码根目录
下载=githubcomultralyticsassetsreleases
我这里下载的是yolov8npt
步骤4：准备数据集
关于准备数据集这个东西，完整的方式是先准备图片，再用labelImg去标注图片，这里我提供个标注好的裂缝缺陷数据集，可直接开始训练，见夸克盘内的splitDatazip和CrackConfigyaml=?标记好的裂缝缺陷数据集(幽络源整理)
如需要学习如何自己制作数据集合，请看这里的教程=?Yolov5图像识别教程包成功-幽络源原创
步骤5：开始训练
为方便理解，在根目录下建立文件夹为MyTrain，然后将数据集和相关配置放进去，如图
注意：在CrackConfigyaml中你需要将train和val更改为你自己的绝对路径！！！
然后就是开始训练了，在yolov8源码根目录打开控制条，执行如下命令即可开始训练：
yolotraindata="D:\A01PythonProjects3123\ultralytics-main\MyTrain\CrackConfigyaml"model="D:\A01PythonProjects3123\ultralytics-main\yolov8npt"epochs=200imgsz=640batch=8workers=8dece=0
参数提示：
data是数据集配置文件的绝对路径
model是下载的权重文件的绝对路径，一定要绝对路径
epochs是训练轮次
imgsz是指定图片的尺寸
batch指定每一批处理数量
workers指定线程工作数量
dece指定使用显卡还是CPU还是其他，为0则表示使用显卡
命令一运行，就可以看到开始训练了，如下2张图：
训练完后可以看到结果表示在根目录的runsdetecttrain2下，可以看到weights下有个bestpt，这便是我们的比较模型文件，如图
步骤6：测试模型
然后在根目录建立py文件为Mainpy，加入如下代码，然后找一张相关的图进行测试：
注意：将模型文件绝对路径和图片路径替换为你自己的！！！
fromultralyticsimportYOLO
yolo=YOLO(model=r"D:\A01PythonProjects3123\ultralytics-main\runs\detect\train2\weights\bestpt",task="detect")
results=yolo(source=r"C:\Users\Administrator\Pictures\testjpg",save=True)
然后运行，运行后可以看到控制台提示识别的结果在runs\detect\predict目录下，如图
结语
不得不说yolov8其还要比yolov5简单的多，幽络源的yolov8搭建使用基础教程结束，如有不懂，可加群询问。
?
?
?
在同行眼中，源码网有着让人觊觎的好品质，也有着很多让人嫉妒的忠实粉丝。提供经过严格测试的免费源码、各种线上兼职和网络兼职的网创教程、编程及网络相关的技术教程分享，助您轻松获取资源和技术支持。https://www.youluoyuan.com/
|
|
发表于 