YOLOv8训练数据集

### YOLOv8 训练数据集教程 #### 创建数据集 为了使自定义数据集能够被YOLOv8识别并用于训练，需将其转换为适合的格式。通常情况下，YOLO系列模型接受的数据格式为COCO或Yolo格式。如果原始数据是以Pascal VOC格式存储，则需要先完成格式转换[^1]。 以下是将VOC格式数据转换至YOLO所需格式的具体方法： 1. **安装依赖库** 需要一些Python工具来处理图像和标签文件。 ```bash pip install numpy opencv-python pillow lxml tqdm ``` 2. **编写脚本进行格式转换** 下面是一个简单的Python脚本示例，展示如何从VOC XML标注文件提取边界框信息，并保存到YOLO所需的TXT文件中。 ```python import os import xml.etree.ElementTree as ET from pathlib import Path classes = ['car', 'truck'] # 自己数据集中包含的目标类别列表 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, input_dir, output_dir): in_file = open(os.path.join(input_dir, f'{image_id}.xml'), encoding='utf-8') out_file = open(os.path.join(output_dir, f'{image_id}.txt'), 'w', encoding='utf-8') 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 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)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') def main(): voc_annotations_dir = './Annotations' # Pascal VOC annotations路径 yolov8_labels_dir = './labels' # 转换后的YOLO labels目录 images_ids = [f.stem for f in Path('./JPEGImages').glob('*.jpg')] # 图片ID列表 os.makedirs(yolov8_labels_dir, exist_ok=True) for image_id in images_ids: convert_annotation(image_id, voc_annotations_dir, yolov8_labels_dir) if __name__ == '__main__': main() ``` #### 数据集配置 在准备好数据之后，还需要创建一个`yaml`文件描述数据结构以及类别的映射关系。例如： ```yaml train: ./data/train/images/ val: ./data/valid/images/ nc: 2 names: ['car', 'truck'] ``` 上述配置指定了训练集、验证集的位置，同时声明了两个类别——汽车(`car`)和卡车(`truck`)。 #### 开始训练 当一切准备就绪后，可以调用官方命令启动训练过程。假设已经克隆了ultralytics仓库并且设置了环境变量，那么执行如下指令即可开始训练： ```bash yolo task=detect mode=train model=yolov8s.pt data=path/to/data.yaml epochs=100 imgsz=640 ``` 这里选择了预训练权重`yolov8s.pt`作为基础模型，并设置图片尺寸大小为640×640像素。 #### 参数调整建议 对于不同的应用场景可能需要微调某些参数以获得更好的效果。比如增加迭代次数或者改变学习率策略等都可以通过修改相应的选项实现。更多高级功能参见官方文档获取更多信息[^2]。 ---