什么网站专门做图片,装饰设计公司名字,制作商务网站信息标题应,如何制作手机版网页1、YOLOv8深度学习环境搭建及安装
1.1. Yolov8介绍
设置操作类型 YOLOv8模型可用于各种任务#xff0c;包括检测、分割和分类。这些任务的不同之处在于它们产生的输出类型和它们要解决的特定问题。
**检测:**检测任务涉及识别和定位图像或视频中感兴趣的对象或区域。YOLO模…1、YOLOv8深度学习环境搭建及安装
1.1. Yolov8介绍
设置操作类型 YOLOv8模型可用于各种任务包括检测、分割和分类。这些任务的不同之处在于它们产生的输出类型和它们要解决的特定问题。
**检测:**检测任务涉及识别和定位图像或视频中感兴趣的对象或区域。YOLO模型通过预测图像中物体的边界框和类标签可以用于物体检测任务。 **分割:**分割任务包括将图像或视频划分为对应于不同对象或类的区域或像素。 **分类:**分类任务包括为输入(如图像或文本)分配类标签。YOLO模型可以通过预测输入图像的类别标签来进行图像分类任务 根据你要解决的特定问题YOLOv8模型可以在不同的模式下使用。这些模式包括train、val和predict。
**训练(Train)*训练模式用于在数据集上训练模型。这种模式通常在模型的开发和测试阶段使用。 Val: Val模式用于评估模型在验证数据集上的性能。这种模式通常用于调整模型的超参数和检测过拟合。 Predict: Predict模式用于在新数据上使用模型进行预测。这种模式通常用于生产环境或将模型部署给用户时。
KeyValueDescriptiontaskdetect可选择detect, segment, classifymodetrain可选择 train, val, predictresumeFalse当设置为True时恢复上一次的任务。当设置为False时从给定的model.pt中恢复。modelnull设置模型。格式因任务类型而异。支持model_name, model.yamlmodel.ptdatanull设置数据支持多数类型 data.yaml, data_folder, dataset_name
模型结构图 1.2.环境详细配置
运行平台为联通云服务器显卡配置为T4(16GB)可设置单块和多块GPU 具体环境 PyTorch 1.9.1 Python 3.8 Cuda 11.1 依赖库按照requirements.txt文件安装即可。 在YOLOv8代码包目录pip install -r requirements.txt 1.3.安装YOLOv8所需要的ultralytics库
安装YOLOv8所需要的ultralytics库在1.2的环境中执行下述代码
pip install ultralytics1.4.下载YOLOv8代码包
下载YOLOv8代码执行代码如下
git clone https://github.com/ultralytics/ultralytics.git自动下载
将服务器的文件目录cd到 path/your/ultralytics激活配置的深度学习环境至此环境搭建结束可开始模型的训练了。
YOLOv8代码包的内容如下图所示 2、数据准备
2.1.数据集介绍及其结构
印刷电路板PCB瑕疵数据集数据下载链接是一个公共的合成PCB数据集由北京大学发布其中包含1386张图像以及6种缺陷缺失孔鼠标咬伤开路短路杂散伪铜用于检测分类和配准任务。
├── data
│ ├── Annotations 进行 detection 任务时的标签文件xml 形式文件名与图片名一一对应
│ ├── images 存放 .jpg 格式的图片文件
│ ├── ImageSets 存放的是分类和检测的数据集分割文件包含 train.txt,val.txt,trainval.txt,test.txt
│ ├── labels 存放label标注信息的txt文件与图片一一对应├── ImageSets(trainvaltest建议按照811比例划分)
│ ├── train.txt 写着用于训练的图片名称
│ ├── val.txt 写着用于验证的图片名称
│ ├── trainval.txt train与val的合集
│ ├── test.txt 写着用于测试的图片名称2.2.数据集划分
用途主要是将数据集分类成训练数据集和测试数据集默认trainvaltest按照比例进行随机分类运行后ImagesSets文件夹中会出现四个文件主要是生成的训练数据集和测试数据集的图片名称如下图。同时data目录下也会出现这四个文件内容是训练数据集和测试数据集的图片路径。
import os
import randomtrainval_percent 0.9
train_percent 0.9
xmlfilepath /home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/Annotations
txtsavepath /home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/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(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/ImageSets/trainval.txt, w)
ftest open(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/ImageSets/test.txt, w)
ftrain open(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/ImageSets/train.txt, w)
fval open(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/ImageSets/val.txt, w)for i in list:name total_xml[i][:-4] \nif 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()运行代码后在VOC_PCB/ImageSets文件夹下生成下面四个txt文档 txt文件里面的内容如下 2.3.数据集格式转换
用途用于yolo训练的txt格式代码。主要是将图片数据集标注后的xml文件中的标注信息读取出来并写入txt文件运行后在labels文件夹中出现所有图片数据集的标注信息
# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表from os import listdir, getcwd
from os.path import joinsets [train, test, val]
classes [missing_hole, mouse_bite, open_circuit, short, spur, spurious_copper]# 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(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/Annotations/%s.xml % (image_id), encodingutf-8)# 准备在对应的image_id 中写入对应的label分别为# object-class x y width heightout_file open(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/labels/%s.txt % (image_id), w, encodingutf-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difficult1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(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/labels/):os.makedirs(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/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(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/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(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/%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(/home/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/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()labels文件夹里面的内容如下 txt文件每一行为一个目标的信息包含class, x_center, y_center, width, height。格式如下
3、模型训练
3.1.新建一个PCB数据集yaml文件—PCB.yaml
train: /home/xuh/AI_Industrial_Internet/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/train.txt
val: /home/xuh/AI_Industrial_Internet/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/val.txt
test: /home/xuh/AI_Industrial_Internet/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/test.txt# number of classes
nc: 6# class names
names: [missing_hole, mouse_bite, open_circuit, short, spur, spurious_copper]3.2 训练代码
YOLOv8模型的训练设置是指用于在数据集上训练模型的各种超参数和配置。这些设置会影响模型的性能、速度和精度。一些常见的YOLO训练设置包括批量大小、学习率、动量和权重衰减。其他可能影响训练过程的因素包括优化器的选择、损失函数的选择、训练数据集的大小和组成。重要的是要仔细调整和试验这些设置以实现给定任务的最佳性能。
YOLOv8关于模型训练和预测的超参数在ultralytics/yolo/cfg/default.yaml中设置这是与先前版本的最大的不同通过使用这些指令我们就可以实现各种我们所需的操作。
default.yaml内容
#只展示了一部分超参数task: detect # (str) YOLO task, i.e. detect, segment, classify, pose
mode: train # (str) YOLO mode, i.e. train, val, predict, export, track, benchmark# Train settings -------------------------------------------------------------------------------------------------------
model: # (str, optional) path to model file, i.e. yolov8n.pt, yolov8n.yaml
data: # (str, optional) path to data file, i.e. coco128.yaml
epochs: 100 # (int) number of epochs to train for
patience: 50 # (int) epochs to wait for no observable improvement for early stopping of training
batch: 16 # (int) number of images per batch (-1 for AutoBatch)
imgsz: 640 # (int | list) input images size as int for train and val modes, or list[w,h] for predict and export modes
save: True # (bool) save train checkpoints and predict results
save_period: -1 # (int) Save checkpoint every x epochs (disabled if 1)
cache: False # (bool) True/ram, disk or False. Use cache for data loading
device: # (int | str | list, optional) device to run on, i.e. cuda device0 or device0,1,2,3 or devicecpu
workers: 8 # (int) number of worker threads for data loading (per RANK if DDP)
project: # (str, optional) project name
name: # (str, optional) experiment name, results saved to project/name directory
exist_ok: False # (bool) whether to overwrite existing experiment
pretrained: True # (bool | str) whether to use a pretrained model (bool) or a model to load weights from (str)
optimizer: auto # (str) optimizer to use, choices[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verbose: True # (bool) whether to print verbose output
seed: 0 # (int) random seed for reproducibility
deterministic: True # (bool) whether to enable deterministic mode
single_cls: False # (bool) train multi-class data as single-class
rect: False # (bool) rectangular training if modetrain or rectangular validation if modeval
cos_lr: False # (bool) use cosine learning rate scheduler
close_mosaic: 10 # (int) disable mosaic augmentation for final epochs (0 to disable)
resume: False # (bool) resume training from last checkpoint
amp: True # (bool) Automatic Mixed Precision (AMP) training, choices[True, False], True runs AMP check
fraction: 1.0 # (float) dataset fraction to train on (default is 1.0, all images in train set)
profile: False # (bool) profile ONNX and TensorRT speeds during training for loggers
freeze: None # (int | list, optional) freeze first n layers, or freeze list of layer indices during training
# Segmentation
overlap_mask: True # (bool) masks should overlap during training (segment train only)
mask_ratio: 4 # (int) mask downsample ratio (segment train only)
# Classification
dropout: 0.0 # (float) use dropout regularization (classify train only)YOLOv8提供CLI和python两种训练方式 CLI就是直接在终端运行指令 python需要新建一个python文件然后运行代码 yolov8命令行的统一运行格式为
yolo TASK MODE ARGS其中主要是三部分传参
TASK(可选) 含义是选择任务类型从[detect、segment、classification]中选一个。如果没有显式传递YOLOv8将尝试从模型类型中猜测TASK。 MODE(必选) 是训练、验证还是预测的任务可从[train, val, predict, export]中选一个 ARGS(可选) : 是任意数量的自定义argvalue对如imgsz320覆盖默认值。
1.CLI指令
命令行中执行代码
yolo taskdetect modetrain model/home/xuh/AI_Industrial_Internet/PCB_detect_model/YOLOv8/ultralytics/weights/yolov8s.pt data/home/xuh/AI_Industrial_Internet/PCB_detect_model/YOLOv8/ultralytics/PCB_dataSets/VOC_PCB/PCB.yaml batch32 epochs100 imgsz640 workers16 device0,12.python指令训练方式
在YOLOv8包中新建train.py代码如下
from ultralytics import YOLO# Load a model
# model YOLO(yolov8n.yaml) # build a new model from YAML 从YAML中构建一个新模型
# model YOLO(yolov8n.pt) # load a pretrained model (recommended for training) 加载预训练的模型(推荐用于训练)
model YOLO(yolov8s.yaml).load(ultralytics/weights/yolov8s.pt ) # build from YAML and transfer weights 从YAML构建并传递权重# Train the model
model.train(dataultralytics/PCB_dataSets/VOC_PCB/PCB.yaml, epochs100, imgsz640)model类方法train(训练)的参数
KeyValueDescriptiondevice“1”Cuda设备即0或0、1、2、3或cpu。选择可用的cuda0设备epochs100需要训练的epoch数workers8每个进程使用的cpu worker数。使用DDP自动伸缩batch16Dataloader的batch大小imgsz640Dataloader中图像数据的大小optimizerSGD支持的优化器Adam, SGD RMSPropsingle_clsFalse将多类数据作为单类进行训练image_weightsFalse使用加权图像选择进行训练rectFalse启用矩形训练cos_lrFalse使用cosine LR调度器lr00.01初始化学习率lrf0.01最终的OneCycleLR学习率momentum0.937作为SGD的momentum和Adam的beta1weight_decay0.0005优化器权重衰减warmup_epochs3.0Warmup的epoch数支持分数warmup_momentum0.8warmup的初始动量warmup_bias_lr0.1Warmup的初始偏差lrbox0.05Box loss gaincls0.5cls loss gaincls_pw1.0cls BCELoss positive_weightobj1.0bj loss gain (scale with pixels)obj_pw1.0obj BCELoss positive_weightiou_t0.20iou训练时的阈值anchor_t4.0anchor-multiple阈值fl_gamma0.0focal loss gammalabel_smoothing0.0nbs64nominal batch sizeoverlap_maskTrue分割:在训练中使用掩码重叠mask_ratio4分割:设置掩码下采样dropoutFalse分类:训练时使用dropout
4、模型预测
YOLO模型的预测设置是指用于在新数据上使用模型进行预测的各种超参数和配置。这些设置会影响模型的性能、速度和精度。一些常见的YOLO预测设置包括置信度阈值、非最大抑制(NMS)阈值和要考虑的类别数量。其他可能影响预测过程的因素包括输入数据的大小和格式是否存在额外的特征(如掩码或每个框的多个标签)以及模型正在用于的特定任务。重要的是要仔细调整和试验这些设置以实现给定任务的最佳性能。
1.predcit方法的参数
KeyValueDescriptionsourceultralytics/assets输入源。支持图片、文件夹、视频、网址showFalse查看预测图片save_txtFalse保存结果到txt文件中save_confFalse保存condidence scoressave_cropFaslehide_labelsFalse隐藏labelshide_confFalse隐藏confidence scoresvid_strideFalse输入视频帧率步长line_thickness3边框厚度单位像素visualizeFalse可视化模型特征augmentFalse增强推理agnostic_nmsFalseClass-agnostic NMSretina_masksFalse分割:高分辨率掩模
1.CLI指令
yolo taskdetect modepredict modelruns/detect/train2/weights/best.pt sourcedata/images device02.python指令预测方式
在YOLOv8包中新建predict.py代码如下
from ultralytics import YOLO
# Load a model
model YOLO(runs/detect/train4/weights/best.pt) # load a custom model# Predict with the model
results model.predict(sourceultralytics/PCB_dataSets/test_img/l_light_01_missing_hole_05_2_600.jpg,saveTrue) # predict on an image2. model类predcit方法的返回值
返回值是一个对象列表具有如下属性
属性类型描述orig_imgnumpy.ndarray原始图像的numpy数组。orig_shapetuple原始图像的形状格式为高度宽度。boxesBoxes, 可选包含检测边界框的Boxes对象。masksMasks, 可选包含检测掩码的Masks对象。probsProbs, 可选包含每个类别的概率的Probs对象用于分类任务。keypointsKeypoints, 可选包含每个对象检测到的关键点的Keypoints对象。speeddict以毫秒为单位的每张图片的预处理、推理和后处理速度的字典。namesdict类别名称的字典。pathstr图像文件的路径。
5、模型验证
CLI指令验证方式
yolo taskdetect modeval modelyolov8n.pt
# modeval 就是看验证集
yolo taskdetect modeval splitval modelruns/detect/train2/weights/best.pt dataultralytics/datasets/MoonCake.yaml
# modetest 就是看测试集
yolo taskdetect modeval splittest modelruns/detect/train2/weights/best.pt dataultralytics/datasets/MoonCake.yamlPython指令验证方式
在YOLOv8代码包中新建val.py代码如下
from ultralytics import YOLO# Load a model
# model YOLO(yolov8n.pt) # load an official model
model YOLO(runs/detect/train4/weights/best.pt) # load a custom model# Validate the model
metrics model.val() # no arguments needed, dataset and settings remembered
metrics.box.map # map50-95
metrics.box.map50 # map50
metrics.box.map75 # map75
metrics.box.maps # a list contains map50-95 of each categorymodel类方法val(验证)的参数
一些比较常用的传参
model 需要评估的pt模型文件路径
data 需要评估的数据集yaml文件
imgsz 评估图片推理大小默认640
batch 评估推理批次默认16
save_json 是否保存评估结果为json输出默认False
save_hybrid 是否保存混合版本的标签(标签额外的预测)
conf 模型评估置信度阈值默认0.001
iou 模型评估iou阈值默认0.6
max_det 单张图最大检测目标数量默认300
half 是否使用fp16推理默认True
device 要运行的设备即cuda device 0或Device 0,1,2,3或device cpu
dnn 是否使用use OpenCV DNN for ONNX inference默认Flase
rect 是否使用矩形推理默认False
split 数据集分割用于验证即val、 test、train默认val6、参考文章
1.YOLOv8官方文档 2.YOLOv8运行参数解读 3.YOLOV8模型训练部署实战 4.Jetson nano部署YOLOv8 5.YOLOv8训练自己的数据集(超详细) 6.【YOLO】YOLOv8训练自定义数据集4种方式 这几篇文章写的都很棒受益良多。
