YOLOv8进阶 | 如何用yolov8训练自己的数据集（以安全帽佩戴检测举例）
前言：Hello大家好，我是小哥谈。YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。本节课就带领大家如何基于YOLOv8来训练自己的目标检测模型，本次作者就以安全帽佩戴检测为案例进行说明，让大家可以轻松了解整个模型训练过程！~
目录
1.算法介绍
2.数据标注
3.模型训练
1.算法介绍
YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLOv8采用了一种单阶段的检测方法，可以实时地在图像或视频中检测出多个目标物体的位置和类别。YOLOv8的核心思想是将目标检测任务转化为一个回归问题，通过一个卷积神经网络将输入图像映射到一个固定大小的特征图上，并在特征图上进行目标的位置和类别的预测。相比于传统的两阶段方法，YOLOv8具有更快的检测速度和更高的准确率。
YOLOv8的网络结构采用了Darknet作为基础网络，通过多个卷积层和池化层提取图像特征，并通过全连接层进行目标的位置和类别的预测。此外，YOLOv8还引入了一些技巧来提升检测性能，如使用多尺度特征图进行目标检测、使用Anchor Boxes来处理不同尺度的目标等。
YOLOv8的主要特点包括：
- 高速度：YOLOv8能够实时地进行目标检测，达到了非常快的检测速度。
- 高准确率：YOLOv8在保持较快速度的同时，也具备较高的检测准确率。
- 多尺度检测：YOLOv8可以在不同尺度的特征图上进行目标检测，从而能够检测到不同大小的目标物体。
- 多类别检测：YOLOv8可以同时检测多个不同类别的目标物体。
总结来说，YOLOv8是一种高效准确的目标检测算法，可以广泛应用于实时物体检测、视频监控、自动驾驶等领域。
YOLOv8官方仓库地址：
GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite
作者在官网下载后，将含有预训练权重文件的YOLOv8完整源码进行了上传，大家可自行下载。
2.数据标注
利用labelimg或者make sense软件来标注数据，关于如何使用labelimg或者make sense软件来为自己的数据集打上标签，请参考作者专栏文章：
说明：♨️♨️♨️
数据标注工具的使用教程：
YOLOv5入门实践（1）— 手把手教你使用labelimg标注数据集（附安装包+使用教程）
YOLOv5入门实践（2）— 手把手教你使用make sense标注数据集（附工具地址+使用教程）
3.模型训练
第1步：准备数据集
将数据集放在datasets文件夹中。datasets属于放置数据集的地方，位于PycharmProjects中，C:\Users\Lenovo\PycharmProjects中（这是我的电脑位置，跟你的不一定一样，反正位于PycharmProjects中，如果没有，可自行创建），属于项目的同级文件夹。具体如下图所示：
打开datasets文件夹，可以看到本次安全帽训练所使用的数据集。
安全帽佩戴检测数据集是我手动标注好的，可以在我的博客“资源”中下载。
打开数据集文件，我们会看到数据集文件包括images和labels两个文件夹，其中，images放的是数据集图片，包括train和val两个文件夹，labels放的是经过labelimg标注所生成的标签，也包括train和val两个文件夹。
关于此处数据集的逻辑关系，用一张图总结就是：⬇️⬇️⬇️
第2步：创建yaml文件
打开pycharm，选择YOLOv8项目源码文件，在ultralytics\cfg\datasets下新建一个helmet.yaml，如下图所示：
打开helmet.yaml，按照如下图所示的进行配置：
说明：♨️♨️♨️
1.train和val为绝对路径地址，可根据自己数据集的路径地址自行设置。
2.nc指的是分类，即模型训练结果分类，此处为在用labelimg或者make sense为数据集标注时候确定。
3.由于本次进行的是安全帽佩戴检测模型训练，所以分两类，分别是：helmet（佩戴安全帽）和nohelmet（不佩戴安全帽）
打开coco128.yaml文件，可以看到里面写的是相对路径，和我们的写法不同，但是都可以使用，据我所知还有很多种数据集读取方式：
# Ultralytics YOLO , AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://ultralytics.com/assets/coco128.zip
第3步：下载预训练权重
打开YOLOv8官方仓库地址，可以根据需要下载相应的预训练权重。
预训练权重下载地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite
下载完毕后，即可将其复制粘贴到YOLOv8源码的主目录下。具体如下图所示：
第4步：新建Python文件
通过查看YOLOv8官方文档可知，YOLOv8提供CLI和python两种训练方式。区别在于：
- 方式1：CLI就是直接在终端运行指令
- 方式2：python需要你新建一个python文件，然后运行代码
YOLOv8官方文档地址：Home - Ultralytics YOLOv8 Docs
本次训练作者采用方式2。
在YOLOv8源码目录下新建Python文件，命名为mytrain.py。具体如下图所示：
本次案例，我的mytrain.py文件内容如下所示，大家可自行调整路径地址。
from ultralytics import YOLO
import wandb
wandb.init(project="YOLOv8")
# Load a model
model = YOLO(r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\ultralytics\cfg\models\v8\yolov8.yaml") # build a new model from scratch
model = YOLO(r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\yolov8s.pt") # load a pretrained model (recommended for training)
# Use the model
model.train(data=r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\ultralytics\cfg\datasets\helmet.yaml", epochs=100) # train the model
metrics = model.val() # evaluate model performance on the validation set
#results = model("https://ultralytics.com/images/bus.jpg") # predict on an image
#path = model.export(format="onnx") # export the model to ONNX format说明：由于本次案例不需要导出模型，我将相关代码注释了，大家后续可根据实际情况进行调整。
第5步：调节参数
YOLOv8关于模型的各种参数都在ultralytics/cfg/default.yaml中，这是与先前版本最大的不同，通过调节这些参数我们就可以实现各种我们所需的操作。
第5步：开始训练
当参数调节完毕之后，即可点击“运行”。具体运行结果如下图所示：
训练结束后，训练结果如下所示：
