目录

1.Pycharm的安装和虚拟环境调用（已经安装好的可以跳过此步骤）

1.1 下载pycharm软件

 1.2 调用已创建虚拟环境（调用上一篇教程中创建好的虚拟环境）

2.标注自己数据集（已有数据集的这部分可跳过）

2.1配置标注软件labelme

 2.2 标注自己数据集

2.3 制作自己数据集

3. 用YOLOv8训练自己数据集

3.1 部署YOLOv8代码

3.2 训练自己数据集

3.3 推理数据集

4. 总结

---

 

文章主要详细介绍如何标注自己数据集，然后从0开始利用YOLOv8训练自己数据集，推理数据集等，本文的相关torch环境主要基于上一篇文章，如果还没配置torch环境的可以阅读上篇文章配置，希望大家多多点赞关注支持，后期还会继续更新更多相关代码复现和模块替换等内容！！！

上一篇：从零配置torch深度学习环境详细教程

1.Pycharm的安装和虚拟环境调用（已经安装好的可以跳过此步骤）

1.1 下载pycharm软件

大家直接进入pycharm官网下载：Pycharm官网下载

大家进入官网后记得选择和自己相关系统的版本，然后我这边用的是专业版（Professional），专业版前30天是免费的，后续要收费（如果大家是在读学生的话可以申请自己学校的教育邮箱，然后教育邮箱可以免费使用Pycharm专业版），不过社区版也是可以的

压缩包下载好之后，大家下载好之后直接双击运行安装程序即可

下一步

设置好自己的安装路径,然后点击下一步

在这一步的时候，我推荐是把这几个都选中，特别是添加将文件夹打开为项目，本人觉得还是很好用的，都选择完毕后点击下一步

然后继续点击下一步

点击安装，最后成功安装就可以了，安装完成后桌面上就会有pycharm界面了，大家可以先创建一个文件夹（文件夹名称不要带中文），然后将该文件夹在pychram打开

打开后就是以下页面

 1.2 调用已创建虚拟环境（调用上一篇教程中创建好的虚拟环境）

首先，点击右下角的这个环境配置器部分，由于我之前配置过环境，所以显示的是我的环境名称（pidenet_code）大家不用在意，打开自己的就可以

 点击之后，依次打开添加本地解释器

 大家打开之后，依次进行选择现有，conda，然后环境的下拉键，就可以显示出自己所建的虚拟环境，大家选择自己在上一篇教程中建立的虚拟环境，然后点击确定就可以进入所建环境了

选择确认之后，右下角出现自己所选择环境名称后，则表示成功进入虚拟环境（我的虚拟环境名称是torch） 

2.标注自己数据集（已有数据集的这部分可跳过）

2.1配置标注软件labelme

打开anaconda的终端，依次输入以下指令，即可创建一个名为labelme的标注环境

conda create -n labelme python=3.9

然后输入y ，回车

 紧接着输入以下指令激活环境

conda activate labelme

 输出下面这样则表述环境创建并激活成功

然后执行以下指令，安装标注软件

pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple

这个的配置有时候加镜像也会很慢，会容易报错，大家多试几次，直到配置成功就行

出现以下界面就表示配置成功

 然后就在当前界面输入以下指令，然后自动跳转至标注界面

labelme

出现这个界面表明已经打开了标注软件

 2.2 标注自己数据集

紧接着我们开始标注自己的数据集，首先我们点击打开目录，然后将自己存放图片的文件夹打开（最好是路径和文件夹都不要带中文），具体操作步骤如下

选择好自己的图片所在文件夹路径之后点击下面的选择文件夹即可 

 点击之后文件夹内图片就会导入labelme标注软件，然后右下方会显示已导入图片（ps：我的图片是voc数据集里面随便找的两张，用作示例）

接下来大家可以点击上方的编辑，选择创建矩形，然后大家就可以利用这个矩形框对相应目标进行框选标注

 大家框选完自己想标注的目标之后，就可以给目标定义一个名称，然后点击ok即可保存，下面是我标注了人（person）这个目标的示例

 下面是我标注的所有目标，然后右边会显示标注的数量和目标名称，大家标注不同目标的话，只需定义不同目标名称即可

大家标注完之后点击下一张后会出现保存提示界面，一般会把标注的信息默认存在图片所在文件夹，大家也可以自定义保存路径

 点击下一张后会在右下角显示是否已经标注且保存，已保存会有对号，大家可以检查一下，然后第二张的标注和第一张同理，后面的都按照这个方法标注保存即可

将自己数据集全部标注完成之后，会得到以下的内容，分别是图片和与其名称对应的.json标注文件

然后我们需要利用一个转换脚本代码，将这个.json文件转换为yolo格式的.txt文件

首先，我们在第一步的文件夹内右键点击建立一个新的.py格式文件

 自定义好,py文件的名称后回车就可以新建一个名为json_to_txt的py文件

 将以下转换代码粘贴到该文件

import json
import os
from tqdm import tqdmdef convert_label(json_dir, save_dir, classes):json_paths = os.listdir(json_dir)classes = classes.split(',')for json_path in tqdm(json_paths):path = os.path.join(json_dir, json_path)with open(path, 'r') as load_f:json_dict = json.load(load_f)h, w = json_dict['imageHeight'], json_dict['imageWidth']# save txt pathtxt_path = os.path.join(save_dir, json_path.replace('json', 'txt'))txt_file = open(txt_path, 'w')for shape_dict in json_dict['shapes']:label = shape_dict['label']label_index = classes.index(label)points = shape_dict['points']points_nor_list = []for point in points:points_nor_list.append(point[0] / w)points_nor_list.append(point[1] / h)points_nor_list = list(map(lambda x: str(x), points_nor_list))points_nor_str = ' '.join(points_nor_list)label_str = str(label_index) + ' ' + points_nor_str + '\n'txt_file.writelines(label_str)if __name__ == "__main__":json_dir = r'D:\my_dataset\json'   ####将路径替换为你的json文件夹路径save_dir = r'D:\my_dataset\txt'    ####将路径替换为你的txt文件夹保存路径classes = 'person'                 ####这里将自己标注的类别名称填进去,如果有还有其他标注目标，就在person后面加个，然后跟上就行#classes = 'person,others,others2,...'                 ####多个目标示例convert_label(json_dir, save_dir, classes)

然后将最下面的路径根据我的提示进行修改，并且将classes改为自己标注目标的名称即可（ps：json文件夹中只能有.json文件）,运行代码后就会在保存路径中生成.txt文件

如果大家在运行时发生了以下报错

那么大家就在anaconda中打开自己的环境，或者打开终端界面，如下所示

 其中（）内的就是当前环境名称，大家确认好是自己的虚拟环境名称

 然后输入以下指令回车后，就可以安装缺失的tqdm包

pip install tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple

出现以下界面即表示安装成功 

然后就可以直接运行上面那个代码了，会最终得到自己的txt文件

2.3 制作自己数据集

大家把自己的图片数据和txt数据分别放在两个不同文件夹内进行归类，然后再新建一个py代码，复制粘贴下面这些代码后，在最下面根据我的提示更改路径，然后运行（这个代码的主要功能是对训练集，验证集和测试集按照比例进行随机划分）

import shutil
import random
import os# 检查文件夹是否存在
def mkdir(path):if not os.path.exists(path):os.makedirs(path)def split(image_dir, txt_dir, save_dir):# 创建一级目录train_dir = os.path.join(save_dir, 'train')val_dir = os.path.join(save_dir, 'valid')test_dir = os.path.join(save_dir, 'test')# 创建二级目录train_images_dir = os.path.join(train_dir, 'images')train_labels_dir = os.path.join(train_dir, 'labels')val_images_dir = os.path.join(val_dir, 'images')val_labels_dir = os.path.join(val_dir, 'labels')test_images_dir = os.path.join(test_dir, 'images')test_labels_dir = os.path.join(test_dir, 'labels')# 创建所有需要的文件夹mkdir(train_dir)mkdir(val_dir)mkdir(test_dir)mkdir(train_images_dir)mkdir(train_labels_dir)mkdir(val_images_dir)mkdir(val_labels_dir)mkdir(test_images_dir)mkdir(test_labels_dir)# 数据集划分比例，训练集75%，验证集15%，测试集10%，按需修改train_percent = 0.75val_percent = 0.15test_percent = 0.10total_txt = os.listdir(txt_dir)num_txt = len(total_txt)list_all_txt = range(num_txt)  # 范围 range(0, num)num_train = int(num_txt * train_percent)num_val = int(num_txt * val_percent)num_test = num_txt - num_train - num_valtrain = random.sample(list_all_txt, num_train)# 在全部数据集中取出trainval_test = [i for i in list_all_txt if not i in train]# 再从val_test取出num_val个元素，val_test剩下的元素就是testval = random.sample(val_test, num_val)print("训练集数目：{}, 验证集数目：{},测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))for i in list_all_txt:name = total_txt[i][:-4]srcImage = os.path.join(image_dir, name + '.jpg')srcLabel = os.path.join(txt_dir, name + '.txt')if i in train:dst_train_Image = os.path.join(train_images_dir, name + '.jpg')dst_train_Label = os.path.join(train_labels_dir, name + '.txt')shutil.copyfile(srcImage, dst_train_Image)shutil.copyfile(srcLabel, dst_train_Label)elif i in val:dst_val_Image = os.path.join(val_images_dir, name + '.jpg')dst_val_Label = os.path.join(val_labels_dir, name + '.txt')shutil.copyfile(srcImage, dst_val_Image)shutil.copyfile(srcLabel, dst_val_Label)else:dst_test_Image = os.path.join(test_images_dir, name + '.jpg')dst_test_Label = os.path.join(test_labels_dir, name + '.txt')shutil.copyfile(srcImage, dst_test_Image)shutil.copyfile(srcLabel, dst_test_Label)if __name__ == '__main__':image_dir = r'D:\my_dataset\image'          ####图片文件夹路径txt_dir = r'D:\my_dataset\txt'              ####txt文件夹路径save_dir = r'D:\my_dataset\dataset'         ####划分后的保存路径split(image_dir, txt_dir, save_dir)

运行代码后，会按照规定文件夹格式对图片和标签进行存放，格式如下

dataset/
├── train/
│   ├── images/
│   └── labels/
├── valid/
│   ├── images/
│   └── labels/
└── test/├── images/└── labels/

3. 用YOLOv8训练自己数据集

3.1 部署YOLOv8代码

大家可以去YOLOv8的官网去下载代码包（尽量利用我的链接下载，我在链接中已经选好版本了，最新版本也可以用，但是有可能会因为python版本报错）

yolov8官方下载链接

大家打不开官网的也可以用百度网盘链接下载

yolov8网盘下载链接     提取码：x8yj

进入链接后，依次点击code和下载安装包进行下载

下载好之后解压，然后将解压文件在pycharm中打开，打开后是这样

打开后继续新建一个训练的.py文件脚本，以后大家就可以利用这个脚本去训练

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML# 断点续训
#Load a model
#model =#YOLO(r'E:\anzhi\car\3\ultralytics-8.2.82\runs\detect\train27\weights\last.pt')  # load a partially trained modelif __name__ == '__main__':#results = model.train(data=r'E:\anzhi\car\ultralytics\my.yaml', batch=80, epochs=10000, imgsz=640, resume=True,#workers=8, device=0)results = model.train(data=r'E:\anzhi\car\3\ultralytics-8.2.82\train.yaml',batch=40,close_mosaic=0,epochs=1000,imgsz=640,resume=True,workers=8,device=1)

然后大家将右下角的环境切换到之前配置的有torch包的环境

打开项目的终端，在终端输入以下命令配置yolov8所需包（一定要确定是在该环境内）

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

这个里面需要配置的包有点多，大家一定要确定完全配置好了再进行下一步，出现以下界面表示配置成功

3.2 训练自己数据集

大家依次点击ultralytics---cfg--datasets--voc.yaml,

 

打开之后是以下页面

我们接下来我们将其中的内容全部替换为以下内容，其中，上面三个都替换为之间建好数据集的训练、验证和测试集的路径，然后names下面将自己标注的目标个数和名称进行替换，如果只有一个目标那就只留下0，有多的就自己加上，切记，目标的名称也得修改（我这个是从voc数据集中截取了一部分，所有就有这些类别）

train: D:\my_dataset\voc\train  # train images (relative to 'path') 128 images
val: D:\my_dataset\voc\valid  # val images (relative to 'path') 128 images
test: D:\my_dataset\voc\test# Classes
names:0: person1: dog2: cow3: horse4: sheep

然后在上面找到该yaml文件右键复制该文件绝对路径

点击这个绝对路径就可以直接复制成功

 复制成功后将该路径粘贴到我们之间创建的tain.py脚本中，就是以下位置

大家后面的指令可以先修改成我这样，这里面的batch表示批次数，epochs表示训练的轮次，resume表示是否打开中断续训，workers表示线程数，大家先按照我这个设置，等能跑起来没问题之后再自己调参数训练

batch=-1,epochs=10,imgsz=640,resume=True,workers=8

 全部修改完成后，在该页面右键直接运行这个python文件即可

出现下面页面表示配置成功，已经开始调用gpu训练了

 已经开始调用GPU了，速度还是比较快的（然后可以看到，我的训练集共有5527张，验证集有3409张，GPU显卡调用了5.3g）

紧接着大家耐心等待一段时间，等训练完成后会出现以下界面

 然后最下面是相关结果的保存路径，打开自己的yolov8文件夹，然后按照对应路径打开就行，最终结果如下

这个里面就是所有的训练结果了

3.3 推理数据集

咱们在训练结果的文件夹中，找到weights文件夹，然后将其中的best.pt的路径进行复制（包括文件名称和后缀）

然后创建一个prediction的推理脚本，并将以下内容复制进去，然后将相应的路径进行修改，运行该脚本

from ultralytics import YOLOif __name__ == '__main__':# 使用训练好的权重文件加载模型model = YOLO(r'D:\Desktop\yolo\ultralytics-8.2.82\runs\detect\train3\weights\best.pt') #替换为自己训练好的best.pt文件的绝对路径# 推理参数设置results = model.predict(save=True, source=r'D:\my_dataset\voc\valid\images\2008_000026.jpg')# 推理的图片存放路径

得到以下的推理输出

这个是推理结果的保存地址，我们进入地址查看推理结果 

可以看出，由于训练的次数比较少，因此存在了一个错误预测，不过由于右上角置信度比较低，所以还算不错（哈哈哈哈，毕竟只训练了10轮） 

4. 总结

本篇文章从最基础的标注数据集开始教学，直到最终成功调用GPU训练本人标注数据集，整个过程超级详细，基本都可以成功复现，同时也希望能对大家有所启发。

博主后续将还会更新更多的与YOLO相关的一些复现和yolov8的模块替换和改进，希望大家继续关注博主！！！创作不易，希望大家多多关注点赞！！！