【2024.4】Windows11系统

     1.为打开网页流畅，建议准备梯子，打开Github等网站时会明显加快

     2.准备Anaconda，可参考我的另一篇文章下载     一步步教你在 Windows 上轻松安装 Anaconda以及使用常用conda命令（超详细）https://blog.csdn.net/Natsuago/article/details/143081283?spm=1001.2014.3001.5501

一、代码下载

官网下载YOLOv8（建议开梯子）

​

二、环境配置

1.在Anaconda中利用conda命令创建环境yolov8，并激活环境

-- 创建环境
conda create -n yolov8 python=3.9

-- 激活环境
conda activate yolov8

2.pip换源为国内清华镜像源，会提高下载速度（可选）

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

3.安装一下yolov8在python>=3.8版本必要安装包，配置文件已经内置其中：

pip install ultralytics

-- 使用清华大学镜像源安装，提升下载速度
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

4.下载预训练权重模型：

（1）推荐yolov8s.pt或者yolov8n.pt，模型小，下载快（用梯子）

（2）下载完成后，将模型放在ultralytics-main文件夹下

5.检验环境：

（1）在环境中打开项目ultralytics-main：

       ① 在Anaconda Prompt中cd到ultralytics-main目录下

       ② 在Pycharm终端直接打开

（2）运行以下指令：

yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

(3)若运行成功会在D:\ultralytics-main下生成\runs\detect\predict，且文件中会包含一张照片

​

三、训练模型

【CPU】

1.准备工作：

（1）在ultralytics-main目录下新建data文件夹；

（2）再在data目录下新建四个文件夹:Annotations文件夹，images文件夹，ImageSets文件夹，labels文件夹

​

2.准备数据集：

（1）将准备好的图片以.jpg的格式放入images文件夹中

（2）利用labelimg进行标注后将生成的.xml文件保存至Annotations文件夹中

3.数据集的划分：

（1）在ultralytics-main目录下创建一个split_train_val.py文件；

（2）运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称，代码内容如下：

import os
import random
 
 
trainval_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()

4.转化数据集格式：

（1）在ultralytics-main目录下创建一个voc_label.py文件

（2）运行后会生成转换后labels文件夹下图片的txt文件，还会在data文件夹下得到三个包含数据集路径的txt文件，train.txt，test.txt，val.txt这3个txt文件为划分后图像所在位置的绝对路径

（3）代码内容如下：

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['填写自己的类别']
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        # difficult = obj.find('difficult').text
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

5.编写数据集配置文件：

在ultralytics-main目录下创建 wheat.yaml，代码内容如下：

train: D:/ultralytics-main/data/train.txt
val: D:/ultralytics-main/data/val.txt
test: D:/ultralytics-main/data/test.txt

nc: 5 # 填写类别数

names: ["填写自己的类别"]  # 要和voc_label.py中的类别数目顺序一模一样

# train,val,test的路径根据自己情况而定

6.下载CPU版pytorch：

（1）具体网站（用梯子）：Previous PyTorch Versions | PyTorch 选择找到与cpu相关的pip指令，例如：

（2）在conda创建的yolov8环境中输入找到的pip指令，等待下载完成即可

7.命令行运行：

（1）同样先在环境中打开项目ultralytics-main（参考二、5.(1)）

（2）运行训练指令：

yolo train data=wheat.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu

data为yaml配置文件，后边填写你的配置文件的相对/绝对路径
model为下载的预训练模型，在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高
device为使用的设备，使用cpu练就写cpu，使用显卡大多数都是0，多显卡就0,1,2...多少显卡往后写多少 

【GPU】

1.检查自己电脑的CUDA版本：

（1）点击键盘 win + i ，输入cmd，敲击回车

（2）输入以下指令： 

nvidia-smi

（3）显示出以下内容说明系统已安装CUDA：

​  eg：若未显示此界面，则去CUDA官网下载与系统兼容版本（同时需要配置兼容的CUDNN）

2.下载pytorch：

（1）只能下载 <= CUDA Version的pytorch版本，这里我们选择找到pip相关指令

（2）具体网站：（用梯子）Previous PyTorch Versions | PyTorch

（3） 在conda创建的yolov8环境中输入找到的pip指令，等待下载完成即可

3.下载torch的gpu版本：

（1）在环境中打开项目ultralytics-main（参考二、5.(1)）

（2）输入指令查看torch是否为gpu版本：

pip list

如下图， torch那行对应的torch版本，例如这样就是cpu版本，需要去下载相关torch的gpu版本

（3）打开网址：http://download.pytorch.org/whl/torch_stable.htmlhttp://download.pytorch.org/whl/torch_stable.html

        cu121/表示你在教程【GPU】1.当中官网上下载的cuda版本

        torch-2.2.2%2Bcu121/表示刚才在pip list中查看的torch的版本

        cp312-cp312表示你yolov8的环境python版本，如果按我的教程来的话为3.9

        win-amd64.whl简而言之就是windows系统

① 按照上述要求找到你需要的下载链接点进去

② 在D盘新建一个文件夹D:\torch_gpu，保存在其中

③ 在项目环境中输入指令：（后面的路径为你whl所保存的位置）

pip install D:\torch_gpu\torch-2.2.2+cu121-cp39-cp39-win_amd64.whl

（4）检验是否安装成功：

 ① 在环境中打开项目ultralytics-main（参考二、5.(1)）

 ② 输入指令：

pip list

--------------------------------出现+cu+你的cuda版本型号即为安装成功---------------------------------------- 

 ③ 同理完成torchaudio及torchavision的GPU版本：

4. 运行训练命令：

（1）参考【CPU】1--5 

（2） 同样先在环境中打开项目ultralytics-main（参考二、5.(1)）

（3）运行以下指令：

yolo train data=wheat.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0

data为yaml配置文件，后边填写你的配置文件的相对/绝对路径
model为下载的预训练模型，在主文件下
epochs为训练轮数
imgsz为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高
device为使用的设备，使用cpu练就写cpu，gpu使用显卡大多数都是0，多显卡就0,1,2,3,...多少显卡往后写多少

 四、过程细节

1.最终 ultralytics-main 目录下整体情况如下：

eg ：红色框内部分为自己添加的部分，runs文件夹的生成参考二、6.(3)

2. 使用labelimg标注数据集转.xml格式

（1）安装并打开labelimg

① 在conda创建新环境labelimg，指令如下：

conda create -n labelimg  python=3.9

 ② 激活lalelimg环境，指令如下：

conda activate labelimg

③ 在此环境下安装labelimg，指令可如下：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple  #不推荐，会出现依赖缺失或者版本不匹配问题 
 
pip install labelimg  #推荐用此方法安装

        eg：以一种方式安装即可

④ 打开labelimg，指令如下：

labelimg

（2）使用labelimg

① 打开labelimg：

② 使用介绍：

③ 与三、3.数据集划分相关步骤：

Ⅰ选择PascalVOC(即.xml格式)

Ⅱ 点击Open Dir打开文件夹D:\ultralytics-main\data\images中的.jpg格式的图片

Ⅲ Change Save Dir选择文件夹D:\ultralytics-main\data\Annotations

Ⅳ 打好标签以后若先前勾选View-Auto Save mode选项即可自动保存

3.Pycharm项目解释器的选择 

我使用的是Pycham2024.1版本，截止2024.4最新版本，解释器选择的conda环境，如下

如何加载conda环境 ？

找到Anaconda目录下的\Library\bin\conda.bat，然后加载环境选择yolov8即可，如下