AI人工智能学习

发布于：2025-08-30 ⋅ 阅读:(16) ⋅ 点赞:(0)

一、yolo从入门到精通

1.1、环境安装

1.1.1、前置环境安装一miniconda

miniconda安装
下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/，我选的py38版本的x86-64版本
如果C盘有空间，最好安装在C盘，且安装目录中不要有中文
勾选将其添加到PATH


1.1.2、conda环境创建

命令：conda create -n yolov8 python=3.8
- 明确指定版本，否则可能会因版本过高导致有包装不上
pypi配置国内源
- 清华源：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/

备注：如果创建虚拟环境失败，比如http错误，ssl错误，采用以下步骤：

将Miniconda3/Library/bin目录下的libcrypto-1_1-x64.dll和libssl-1_1-x64.dll复制到Miniconda3/DLLs目录（注意使用复制粘贴而非拖拽操作）

conda config --set ssl_verify false  #临时解决方案
conda config --remove-key channels  # 清除所有自定义通道
conda clean -i  # 清除索引缓存
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/
conda config --set show_channel_urls yes

conda config --show channels  # 应只显示清华镜像源
ping mirrors.tuna.tsinghua.edu.cn  # 测试网络连通性

conda create -n yolov8 python=3.9  # 新建测试环境
conda activate yolov8
conda install numpy  # 测试包安装

1.1.3、pytorch安装

- 官方地址：https://pytorch.org/
在一个单独的环境中，能使用pip就尽量使用pip，实在有问题的情况，例如没有合适的编译好的系
统版本的安装包，再使用conda进行安装，不要来回混淆
CUDA是否要安装
- 如果只需要训l练、简单推理，则无需单独安装CUDA，直接安装pytorch；如果有部署需求，例如导出TensorRT模型，则需要进行CUDA安装
Pytorch安装注意事项
16XX的显卡，安装cu102的版本，否则可能训练出现问题
30XX、40XX显卡，要安装cu111以上的版本，否则无法运行

pip install torch==1.13.1+cpu torchvision==0.14.1+cpu torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cpu

pip install --trusted-host mirrors.tuna.tsinghua.edu.cn --trusted-host download.pytorch.org torch==1.13.1+cpu torchvision==0.14.1+cpu torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cpu

1.1.4、ultralytics(YOLO V8)安装

1.1.4.1 pip源码安装

Yolov8模型导出并用Autojs调用_哔哩哔哩_bilibili

https://github.com/ultralytics/ultralytics 选择tags找到8.0.98下载zip解压。

*（1）全安装--在anaconda prompt进入8.0.98目录，执行

pip install -e ".[export]"

（-e参数必须要有，否则后续修改代码无效）

*（2）分步安装--创建一个 constraints.txt 文件，包含所有关键包的精确版本

numpy==1.23.5
scipy==1.10.1
opencv-python==4.11.0.86  # 指定您想要的4.11版本
matplotlib==3.8.0
pillow==10.0.0
pyyaml==6.0.1
requests==2.31.0
tqdm==4.66.1
psutil==5.9.5
py-cpuinfo==9.0.0
pandas==2.0.3
torch==1.13.1
torchvision==0.14.1
pip install matplotlib opencv-python pillow pyyaml requests tqdm psutil py-cpuinfo pandas scipy -c constraints.txt
pip install -e . -c constraints.txt

使用pycharm打开ultralytics 项目，配置好编译器。

模型下载：https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

下载完放在根目录即可。

1.1.4.2 测试

创建测试代码 test-pytorch.py：

import torch
import numpy as np
from ultralytics import YOLO

print(f"PyTorch version: {torch.__version__}")
print(f"Is CUDA (GPU) available? {torch.cuda.is_available()}")  # 预期输出 False
print(f"NumPy version: {np.__version__}")  # 检查numpy版本，应 >= 1.22.2
print("Ultralytics library imported successfully!")

1. 终端选择commond prompt，可以看到当前conda环境已经是yolov8了，

执行命令python test-pytorch.py

2. 执行预测命令：

yolo task=detect mode=predict model=./yolov8n.pt source="./ultralytics/assets/bus.jpg"

也可以在根目录新建detect.py,粘贴内容

from ultralytics import YOLO
yolo = YOLO("yolov8n.pt",task="detect") # load a pretrained model (recommended for training)
results = yolo(source="./ultralytics/assets/bus.jpg",save=True,conf=0.8) # perform inference on an image

然后右键运行detect.py即可。

最后可将环境导出：conda env export --name yolov8 > environment.yml 

1.1.5、模型导出

1. ultralytics/nn/modules/block.py：

179行 forward内容注释，修改为：

    def forward(self, x):
        """Forward pass of a YOLOv5 CSPDarknet backbone layer."""
        # y = list(self.cv1(x).chunk(2, 1))
        # y.extend(m(y[-1]) for m in self.m)
        # return self.cv2(torch.cat(y, 1))

        x=self.cv1(x)
        x=[x,x[:,self.c:,...]]
        x.extend(m(x[-1]) for m in self.m)
        x.pop(1)
        return self.cv2(torch.cat(x, 1))

2. ultralytics/nn/modules/head.py

43行 forward 在53行处添加：

return torch.cat([xi.view(shape[0],self.no,-1) for xi in x],2).permute(0,2,1)

3. 安装库：

pip install onnx == 1.16.1
pip install onnx-simplifier

4. 在根目录新建export.py

from ultralytics import YOLO
model = YOLO("./yolov8n.pt") #要导出的模型
success = model.export(format="onnx",simplify=True, opset=12)

5. 在根目录生成的 yolov8n.onnx 可用工具转换成移动端可以用的模型，比如使用onnx2ncnn：

onnx2ncnn yolov8n.onnx yolov8n.param yolov8n.bin

1.2 模型预测

1.2.1 jupyterlab

安装jupyterlab，python版本必须大于3.9

pip install jupyterlab

在 VS Code 中打开或创建一个 .ipynb 文件 (Jupyter Notebook)。

  • 如果没有安装相关扩展，VS Code 通常会提示你安装 “Jupyter” 扩展。请务必安装它。

  • 你也可以直接去扩展市场搜索 Jupyter 并安装

选择内核：

  • 打开 Notebook 后，VS Code 右上角或者底部状态栏会显示当前选择的 Python 环境（比如 Python 3.xx.xx ('base': conda)）。

  • 点击这个区域

选择你的 Conda 环境：

  • 在命令面板中，输入并选择 Jupyter: Select Interpreter to Start Jupyter Server。

  • 或者，在弹出的环境列表中，你应该能看到所有 VS Code 自动检测到的 Conda 环境。它们通常带有 ('env-name': conda) 的标识。

  • 找到你安装了 jupyterlab 的那个 Conda 环境并选择它。

点击+代码，然后运行即可。

from ultralytics import YOLO

yolo = YOLO("./yolov8n.pt",task="detect")

result = yolo(source="./ultralytics//assets/bus.jpg")
import matplotlib.pyplot as plt
%matplotlib inline
plt.imshow(result[0].plot()[:,:,::-1])
result[0].boxes.xywh.cpu().numpy()

注意事项
Jupyter中使用，要可视化模型预测结果，一定要设置%matplotlibinline，否则无法使用，因为在plot部分，YOLO强制将后端设置为了Agg。
Jupyter中使用，要重新加载模型，否则预测过程中的参数，将不会更新，除非手动再次给出

1.3 数据集构建

图片类型数据：无需额外处理，直接可以进行标注
视频类型数据：进行抽帧处理，导出为图片

1.3.1 labelimg数据集标注

环境安装
pip install labelimg
启动命令

labelimg

关键设置

views->autosave
左侧标签：YOLO format

1.3.2 make sence数据集标注

在线地址：make sence

辅助标注

pip install tensorflowjs==2.8.5

YOLOv5 模型导出tfis

make scene上传模型

1.3.3 robotflow公开数据集

Object Detection Datasets
Roboflow Universe: Computer Vision Datasets

1.4 模型训练

1.4.1 训练前准备

将images 和 数据集文件创建以下结构

然后将images和labels放在一个文件夹下,并将这个文件夹放在根目录datasets下面。例如datasets/bvn，如果报错找不到就将bvn放在C:\Users\soitis\AppData\Roaming\Ultralytics\setting.json设置的datasets_dir里面

然后在根目录拷贝一份

1.4.2 训练

执行yolo task=detect mode=train model=./yolov11n.pt data=yolo-bvn.yaml epochs=30 workers=1 batch=10

或者创建train.py

from ultralytics import YOLO
import os


# 加载模型（确保 './yolov11n.pt' 路径正确）
model = YOLO("./yolov11n.pt")

# 开始训练
results = model.train(
    data="yolo-bvn.yaml",  # 确保你的数据配置yml文件路径正确
    epochs=30,
    batch=10,
    workers=0,
    # 可以添加其他参数，如：
    # imgsz=640,
    # device=0, # 如果我想用GPU，device=0 代表使用第一块GPU
)

执行python train.py

复制默认配置文件

yolo copy-cfg

根目录会多出来一个default_copy.yaml文件，修改data、model、epochs、workers、batch

再次训练：

yolo cfg=default_copy.yaml

训练结果位于runs/detect/train里面，weights文件夹里面有两个模型，best.pt和last.pt。接下来就可以使用best.pt做预测了。

1.4.3 常见问题

* 以代码方式运行时：workers要设置成0
* 页面文件太小，无法完成操作：调整训l练参数中的workers，设置为1/0；修改虚拟内存，将环境安装位置所在的盘，设置一个较大的参数
* 数据集描述文件：数据地址从datasets目录里开始写起，且就放在根目录下，会避免很多坑
* 调整数据集目录后再次训练：删除~/AppData/Roaming/Ultralytics文件夹下的settings.yaml

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布