基于丹摩智算的`YoloV8-训练与测试

🍑个人主页：Jupiter. 🚀 所属专栏：Linux从入门到进阶 欢迎大家点赞收藏评论😊

---

丹摩简介

链接：https://www.damodel.com/console/overview
DAMODEL（丹摩智算）是专为 AI 打造的智算云，致力于提供丰富的算力资源与基础设施助力 AI 应用的开发、训练、部署。

前言

自YOLO（You Only Look Once）模型问世以来，其简洁的设计理念和高效的目标检测能力便广受好评。YOLO系列模型通过一次卷积神经网络的前向传播，即可同时预测图像中多个物体的位置和类别，极大地提高了目标检测的速度和效率。随着技术的不断进步，YOLO模型也经历了多次迭代升级，每一次更新都带来了性能上的显著提升。YoloV8作为YOLO系列的最新力作，不仅继承了前代模型的高效性和实时性，还在网络架构、损失函数等方面进行了优化和改进，进一步提升了模型的检测精度和泛化能力。

YoloV8-训练与测试

制作数据集

Labelme 数据集
数据集选用我以前自己标注的数据集。点击下载

类别如下：

['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2',
'other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10',
'b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4',
'globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33',
'an-70', 'su-24', 'tu-22', 'il-76']

格式转换

将 Lableme 数据集转为 yolov8 格式的数据集，转换代码如下：

import os
import shutilimport numpy as np
import json
from glob import glob
import cv2
from sklearn.model_selection import train_test_split
from os import getcwddef convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)def change_2_yolo5(files, txt_Name):imag_name=[]for json_file_ in files:json_filename = labelme_path + json_file_ + ".json"out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')json_file = json.load(open(json_filename, "r", encoding="utf-8"))# image_path = labelme_path + json_file['imagePath']imag_name.append(json_file_+'.jpg')height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shapefor multi in json_file["shapes"]:points = np.array(multi["points"])xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0label = multi["label"].lower()if xmax <= xmin:passelif ymax <= ymin:passelse:cls_id = classes.index(label)b = (float(xmin), float(xmax), float(ymin), float(ymax))bb = convert((width, height), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# print(json_filename, xmin, ymin, xmax, ymax, cls_id)return imag_namedef image_txt_copy(files,scr_path,dst_img_path,dst_txt_path):""":param files: 图片名字组成的list:param scr_path: 图片的路径:param dst_img_path: 图片复制到的路径:param dst_txt_path: 图片对应的txt复制到的路径:return:"""for file in files:img_path=scr_path+fileprint(file)shutil.copy(img_path, dst_img_path+file)scr_txt_path=scr_path+file.split('.')[0]+'.txt'shutil.copy(scr_txt_path, dst_txt_path + file.split('.')[0]+'.txt')if __name__ == '__main__':classes = ['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2','other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10','b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4','globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33','an-70', 'su-24', 'tu-22', 'il-76']# 1.标签路径labelme_path = "USA-Labelme/"isUseTest = True  # 是否创建test集# 3.获取待处理文件files = glob(labelme_path + "*.json")files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]for i in files:print(i)trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)# splittrain_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)train_name_list=change_2_yolo5(train_files, "train")print(train_name_list)val_name_list=change_2_yolo5(val_files, "val")test_name_list=change_2_yolo5(test_files, "test")#创建数据集文件夹。file_List = ["train", "val", "test"]for file in file_List:if not os.path.exists('./VOC/images/%s' % file):os.makedirs('./VOC/images/%s' % file)if not os.path.exists('./VOC/labels/%s' % file):os.makedirs('./VOC/labels/%s' % file)image_txt_copy(train_name_list,labelme_path,'./VOC/images/train/','./VOC/labels/train/')image_txt_copy(val_name_list, labelme_path, './VOC/images/val/', './VOC/labels/val/')image_txt_copy(test_name_list, labelme_path, './VOC/images/test/', './VOC/labels/test/')

运行完成后就得到了 yolov8 格式的数据集。

本地调试

直接执行命令pip install ultralytics，如果你打算修改模型，或者二次创新，不建议使用安装命令安装。

在官网上下载 YoloV8，GitHub 链接：https://github.com/ultralytics/ultralytics
下载到本地后解压，将生成的 yolo 数据集放到 datasets（需要创建 datasets 文件夹）文件夹下面，如下图：

安装必要的库文件，安装命令：

pip install opencv-python
pip install numpy==1.23.5
pip install pyyaml
pip install tqdm
pip install matplotlib

上面这些安装命令，缺哪些就安装哪些，注意 numpy 的版本，如果是 2.0 以上版本一定要把版本降下来。

然后在根目录新建 VOC.yaml 文件，如下图:

添加内容：

train: ./VOC/images/train # train images
val: ./VOC/images/val # val images
test: ./VOC/images/test # test images (optional)names: ['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2','other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10','b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4','globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33','an-70', 'su-24', 'tu-22', 'il-76']

然后新建 train.py，如下图：

在 train.py 添加代码：

from ultralytics import YOLO
if __name__ == '__main__':# 加载模型model = YOLO("ultralytics/cfg/models/v8/yolov8l.yaml")  # 从头开始构建新模型print(model.model)# Use the modelresults = model.train(data="VOC.yaml", epochs=100, device='0', batch=16,workers=0)  # 训练模型

然后就可以看是训练了，点击 run 开始运行 train.py。

基于丹摩智算的训练

创建账号-创建实例-选择配置

创建账号，登录官网后，就可以看到主页面了。点击 GPU 云实例，然后再点击创建实例，进入创建实例的页面。选择具体的配置后，配置合适容量的数据盘。在已选配置栏中，可以看到目前的详细配置信息。接下来选择镜像，目前主流平台的框架都是支持的，选择 Pytorch，就可以看到 Pytorch 的镜像信息。点击创建密钥对，弹出创建密钥的窗口，创建密钥或者导入公钥！点击立即创建就可以创建实例了。

创建好后，点击 JupyterLab 进入控制台。

将我们刚才创建的工程压缩成 zip 的压缩包，等待上传

点击，文件夹样子的标签，进入根目录，然后点击↑，进入上传文件的页,选择文件，点击打开。


上传完成后，点击 Terminal，就可以进入我们熟悉的命令行界面。
输入 ls，就可以看到我们刚才上传的压缩包！

然后，输入：

unzip ultralytics-main.zip

解压文件

解压后就可以在左侧的目录中看到解压后的文件夹。点击进入。

点击 train.py，Open With→Editor。

打开 train.py 后就可以修改 train.py 里面的参数了。

安装 YoloV8 运行所需要的库：

pip install opencv-python

如果遇到ImportError: libGL.so.1: cannot open shared object file: No such file or direc，这样的错误，需要安装：

```python
pip install opencv-python-headless

pip install pyyaml
pip install tqdm
pip install matplotlib
pip install pandas

如果遇到有些文件下载不下来，可以尝试设置源，命令：

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

然后，执行命令，python train.py就可以运行了.

测试代码

test.py 代码如下：

```python
from ultralytics import YOLOif __name__ == '__main__':# Load a model# model = YOLO('yolov8m.pt')  # load an official modelmodel = YOLO('runs/detect/train/weights/best.pt')  # load a custom modelresults = model.predict(source="ultralytics/assets", device='0')  # predict on an imageprint(results)

执行测试，就可以测试图片了。

---