• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

一、环境

• 语言：Python3、Pytorch
• 开发环境
• 电脑系统：Windows 10
• 语言环境：Python 3.9.2
• 编译器：VS Code
• 显卡：3060
• CUDA版本：Release 11.4, V11.4.48

二、处理数据

1、准备好自己的数据

• 我使用了水果检测数据集
• 数据集的文件按一定结构放置

2、划分训练集验证集

# 添加命令行参数，用于指定XML文件的路径，默认为"Annotations"文件夹
parser.add_argument('--xml_path',default="自己的文件路径",type=str,help='input xml label path')# 添加命令行参数，用于指定输出txt标签文件的路径，默认为'ImageSets/Main'文件夹
parser.add_argument('--txt_path',default='自己的文件路径' ,type=str,help='output txt label path')

运行split_train_val.py文件即可，注意需将上述代码的路径改为自己的路径

3、运行split_train_val.py及voc_label.py文件

# 定义类别列表，这里有两个类别，可以根据需要添加更多类别
classes = ['pineapple', 'snake fruit','dragon fruit','banana']

运行voc_label.py文件即可，注意需将上述代码的类别改为自己的类别

4、创建.yaml文件

train: F:/365data/Y2/train.txt
val: F:/365data/Y2/val.txtnc: 4names: ['pineapple', 'snake fruit', 'dragon fruit', 'banana']

运行ab.yaml文件，需将路径及类别都改为自己的

三、训练模型

yolo task=detect mode=train model=yolov8s.yaml data=E:\YOLO\ultralytics-main\paper_data\ab.yaml epochs=100 batch=4

在终端中运行即可

四、结果

五、总结

• yolov8的使用方法与yolov5相似，最大差别是命令行运行代码不同，余不再赘述