参考文献
1.Ubuntu配置Yolov8环境并训练自己的数据集 + ROS实时运行
2.https://juejin.cn/post/7313979467965874214
前提：
1.CUDA和Anaconda，PyTorch
2.python>=3.8
一、创建激活环境，安装依赖
1.创建虚拟环境
conda create -n yolov8 python=3.82.激活虚拟环境
conda activate yolov83.安装yolov8
pip install ultralytics清华源安装
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/安装rospkg
pip install rospkg
二、安装数据标注软件并使用
1.激活刚刚建的虚拟环境
conda activate yolov82.安装数据标注软件
pip install labelImg清华源安装
pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple/3.启动标注软件
labelImg
4.标注软件的使用
(1).打开目录：选择你拍摄图片存放的文件夹，我的是yolo2/data/images
(2).改变存放目录：选择你要将标注存放的文件夹，yolo2/data/Annotations
(3).选中查看-自动保存：这样无需自己保存
(4).点击创建区块：对要识别的物体进行标注，标注框紧贴物体，请勿框大或框小，有几个框几个，勿遗漏，不要两个框一起
(5).标签模式pascalVOC可以先不改成yolo模式，因为它保存的信息比较多，如果确定只用yolo也可以选择yolo模式
三、数据集的制作
在不同背景下拍摄要识别物体的照片，放在yolo2/data/images中。data下的文件夹包括：
（1）.Annotations:数据集标注的文件（.xml）
（2）.images：数据集图片 （.jpg）
（3）.ImageSets：数据集划分（.txt）
（4）.labels：数据集标注，yolo格式版（.txt）
数据集标注完成后，images、Annotations有了内容
1.数据集划分
yolo2文件夹下，创建一个文件splitDataset.py，内容如下：
import random
import ostrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()运行，ImageSets中会出现
2.将xml文件转换成yolo格式的txt文件
同样位置创建一个文件XML2TXT.py，内容如下
# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joinsets = ['train', 'test', 'val']
classes = ['nut,bolt']# 进行归一化操作
def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)dw = 1./size[0] # 1/wdh = 1./size[1] # 1/hx = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标w = box[1] - box[0] # 物体实际像素宽度h = box[3] - box[2] # 物体实际像素高度x = x*dw # 物体中心点x的坐标比(相当于 x/原图w)w = w*dw # 物体宽度的宽度比(相当于 w/原图w)y = y*dh # 物体中心点y的坐标比(相当于 y/原图h)h = h*dh # 物体宽度的宽度比(相当于 h/原图h)return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]# year ='2012', 对应图片的id（文件名）
def convert_annotation(image_id):'''将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信息，通过对其解析，然后进行归一化最终读到label文件中去，也就是说一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件中去labal文件中的格式：calss x y w h 同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉｎｇ的信息也有多个'''# 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件in_file = open('data/Annotations/%s.xml' % (image_id), encoding='utf-8')# 准备在对应的image_id 中写入对应的label，分别为# <object-class> <x> <y> <width> <height>out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8')# 解析xml文件tree = ET.parse(in_file)# 获得对应的键值对root = tree.getroot()# 获得图片的尺寸大小size = root.find('size')# 如果xml内的标记为空，增加判断条件if size != None:# 获得宽w = int(size.find('width').text)# 获得高h = int(size.find('height').text)# 遍历目标objfor obj in root.iter('object'):# 获得difficult ？？difficult = obj.find('difficult').text# 获得类别 =string 类型cls = obj.find('name').text# 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过if cls not in classes or int(difficult) == 1:continue# 通过类别名称找到idcls_id = classes.index(cls)# 找到bndbox 对象xmlbox = obj.find('bndbox')# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))print(image_id, cls, b)# 带入进行归一化操作# w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax']bb = convert((w, h), b)# bb 对应的是归一化后的(x,y,w,h)# 生成 calss x y w h 在label文件中out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# 返回当前工作目录
wd = getcwd()
print(wd)for image_set in sets:'''对所有的文件数据集进行遍历做了两个工作：１．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去最后再通过直接读取文件，就能找到对应的label 信息'''# 先找labels文件夹如果不存在则创建if not os.path.exists('data/labels/'):os.makedirs('data/labels/')# 读取在ImageSets/Main 中的train、test..等文件的内容# 包含对应的文件名称image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()# 打开对应的2012_train.txt 文件对其进行写入准备list_file = open('data/%s.txt' % (image_set), 'w')# 将对应的文件_id以及全路径写进去并换行for image_id in image_ids:list_file.write('data/images/%s.jpg\n' % (image_id))# 调用 year = 年份 image_id = 对应的文件名_idconvert_annotation(image_id)# 关闭文件list_file.close()这一步产生的yolo2下面的.txt文件有用，但是转xml文件没成功，不知道为什么，所以再在同样位置创建一个文件XML2TXT2.py，内容如下
# -*- coding: utf-8 -*-
#这个可以运行
import os
import xml.etree.ElementTree as ETdirpath = 'data/Annotations' # 原来存放xml文件的目录
newdir = 'data/labels' # 修改label后形成的txt目录if not os.path.exists(newdir):os.makedirs(newdir)dict_info = {'nut': 0, 'bolt': 1} # 有几个 属性 填写几个label namesfor fp in os.listdir(dirpath):if fp.endswith('.xml'):root = ET.parse(os.path.join(dirpath, fp)).getroot()xmin, ymin, xmax, ymax = 0, 0, 0, 0sz = root.find('size')width = float(sz[0].text)height = float(sz[1].text)filename = root.find('filename').textfor child in root.findall('object'): # 找到图片中的所有框sub = child.find('bndbox') # 找到框的标注值并进行读取label = child.find('name').textlabel_ = dict_info.get(label)if label_:label_ = label_else:label_ = 0xmin = float(sub[0].text)ymin = float(sub[1].text)xmax = float(sub[2].text)ymax = float(sub[3].text)try: # 转换成yolov3的标签格式，需要归一化到（0-1）的范围内x_center = (xmin + xmax) / (2 * width)x_center = '%.6f' % x_centery_center = (ymin + ymax) / (2 * height)y_center = '%.6f' % y_centerw = (xmax - xmin) / widthw = '%.6f' % wh = (ymax - ymin) / heighth = '%.6f' % hexcept ZeroDivisionError:print(filename, '的 width有问题')with open(os.path.join(newdir, fp.split('.xml')[0] + '.txt'), 'a+') as f:f.write(' '.join([str(label_), str(x_center), str(y_center), str(w), str(h) + '\n']))
print('ok')
运行之后，labels文件夹下会出现相关文件。
3.data下新建fall.yaml
内容
train: /home/dyj/yolo3/data/train.txt
val: /home/dyj/yolo3/data/val.txt
test: /home/dyj/yolo3/data/test.txt# number of classes
nc: 2# class names
names: ['nut','bolt']nc：类别数量 names: ['nut','bolt']：类别名称 需要修改
四、运行
yolo task=detect mode=train model=yolov8n.pt data=data/fall.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0 
![[转载]同一台电脑同时使用GitHub和GitLab](https://img-blog.csdnimg.cn/direct/0f11f1c28f3e41f3865e0160d3704180.png)
