【玩转全栈】----YOLO8训练自己的模型并应用

继上篇：

【玩转全栈】---基于YOLO8的图片、视频目标检测-CSDN博客

相信大家已经可以训练一些图片和视频了，接下来我将为大家介绍如何训练自己的特定模型，并用其进行检测

目录

准备数据

图片数据

标识数据

配置文件

运行

测试训练结果

存在的问题

准备数据

图片数据

首先要准备一些图片数据，其中包含一些相同的要素，这里我就拿王者荣耀进行演示。

我在B站下载了个视频，对其中英雄形象比较明显的进行的截屏，截了25张：

截图：

标识数据

然后需要这25张图片的标识数据，需要用标识工具，我用的大发YOLO标注工具，他是要收费的，如果大家需要的话，找我私，我会发给你，我博客上面不好分享，怕被告。

使用也非常简单，先导入图片，勾出人物框，添加类型，确定类型，保存标注即可。这样，会自动创建该图片的标注文件，大家一张一张标注好即可。

配置文件

创建下图所示目录：

xun可以自己随便取

将图片数据分别复制进imgs中的train和val中，再将标记文件分别复制进labels中的train和val中。

再创建一个.yaml文件

内容如下：

path: D:\.idea\YOLO\Yolo8\yolo8_learn\xun  #数据集根目录
train: images/train  #训练集图片路径
val: images/val  #验证集图片路径
nc: 10  #类别数量
names: ['千年老茧','周瑜','梦琪','百里守约','张飞','廉颇','赵云','海月','夏洛特','公孙离']  #类别名称

按要求写即可。

创建一个py文件，文件内容如下：

# 开始训练模型from ultralytics import YOLOimport os
os.environ['CURL_CA_BUNDLE'] = ""
# 加载预训练模型
model = YOLO('yolo8l.pt')
# 开始训练模型
model.train(data='data.yaml',  #训练数据集epochs=500,  #训练轮次imgsz=640,  #输入图片尺寸（会转换为该尺寸）batch=32,  #每次训练的批量device='cpu'   #GPU更快
)
print("训练结束")

训练模型中的参数都是用的官方推荐参数，大家直接抄就行，具体参数解释也在后面。

当然，用CPU训练会非常满，尤其在一些参数还比较大的时候，我们测试用可以稍微调小点，比如这样：

model.train(data='data.yaml',  #训练数据集epochs=100,  #训练轮次imgsz=320,  #输入图片尺寸（会转换为该尺寸）batch=32,  #每次训练的批量device='cpu'   #GPU更快
)

运行

运行.py文件，出现以下画面：

这表示正在训练，Epach是进程。

训练结束后会得到一个训练文件：

在目录下的weights文件夹中的best.pt，就是训练完的最优模型（适用于最终运用）

last.pt 是训练的最后一轮模型（适用于继续训练），即可以放在这个位置：

# 开始训练模型from ultralytics import YOLOimport os
# import certifi
# print(certifi.where())os.environ['CURL_CA_BUNDLE'] = ""
# 加载预训练模型
model = YOLO('last.pt')
# 开始训练模型
model.train(data='data.yaml',  #训练数据集epochs=500,  #训练轮次imgsz=320,  #输入图片尺寸（会转换为该尺寸）batch=8,  #每次训练的批量device='cpu'   #GPU更快
)
print("训练结束")

测试训练结果

将best.pt作为训练模型，对该视频进行训练

# 检测模型结果
from ultralytics import YOLO
# 模型训练完自动保存到D:\.idea\YOLO\Yolo8\yolo8_learn\runs\detect\train6\weights
# best.pt  训练完的最优模型（适用于最终运用）
# last.pt  训练的最后一轮模型（适用于继续训练）
# 加载自己训练好的模型
model = YOLO(r'D:\.idea\YOLO\Yolo8\yolo8_learn\runs\detect\train6\weights\best.pt')
# 开始检测
model('2.mp4',show=True,save=True)

静静等待训练结束。

训练结果：

YOLO8识别王者荣耀视频