牛羊检测数据集 3700张 平视视角牛羊检测 带标注 voc yolo
牛羊检测数据集 3700张 牛羊检测平视 带标注 voc yolo
分类名: (图片张数，标注个数)
cattle:
(1395，4309)
sheep:
(2393，1 1205)
总数:
(3791， 15514)
总类(nc):
2类


以下是详细的步骤和完整的代码示例：

完整训练脚本

1. 安装依赖

首先确保你已经安装了必要的库，特别是ultralytics库，它是YOLOv8的核心库。

pip install ultralytics

2. 准备数据集

假设你的数据集格式符合YOLO的要求，即图像文件夹和对应的标注文件夹。数据集结构应如下所示：

datasets/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   └── val/
│       ├── img1.jpg
│       ├── img2.jpg
│       └── ...
└── labels/├── train/│   ├── img1.txt│   ├── img2.txt│   └── ...└── val/├── img1.txt├── img2.txt└── ...

每个.txt文件对应一张图片，内容格式为：

<class_id> <x_center> <y_center> <width> <height>

其中，坐标值都是归一化的（范围在0到1之间）。

3. 配置YOLOv8

创建一个YAML文件来配置数据集路径和类别信息。例如，创建一个名为cattle_sheep.yaml的文件：

train: ../datasets/images/train
val: ../datasets/images/valnc: 2
names: ['cattle', 'sheep']

4. 训练模型

编写训练脚本，使用YOLOv8进行训练。以下是完整的训练脚本：

[<title="Cattle and Sheep Detection using YOLOv8">]
from ultralytics import YOLO# Load a pre-trained YOLOv8n model
model = YOLO('yolov8n.pt')# Train the model on your dataset
results = model.train(data='cattle_sheep.yaml',epochs=50,imgsz=640,batch=8,workers=4,device='0'  # Use GPU if available
)# Evaluate the model performance on the validation set
metrics = model.val()# Export the trained model to ONNX format for deployment
success = model.export(format='onnx')

解释

1. 加载预训练模型：我们从预训练的YOLOv8n模型开始。
2. 训练模型：使用train方法进行训练。参数包括数据集配置文件路径、训练轮数、图像大小、批量大小、工作线程数和设备。
3. 评估模型：使用val方法对模型进行评估。
4. 导出模型：将训练好的模型导出为ONNX格式以便部署。

运行脚本

保存上述脚本到一个Python文件中，例如train_cattle_sheep.py，然后运行该脚本：

python train_cattle_sheep.py

这样，你就可以在一个连续的文档中看到所有的步骤和代码，并且可以直接复制和运行整个脚本。