做影视网站需要境外,网站标签图片修改,工业软件开发技术,wap移动建站系统目录
0、引言
1、环境配置
2、数据集准备
3、创建配置文件
3.1、设置官方配置文件#xff1a;default.yaml#xff0c;可自行修改。
3.2、设置data.yaml
4、进行训练
4.1、方法一
4.2、方法二
5、验证模型
5.1、命令行输入
5.2、脚本运行
6、总结 0、引言
本文…目录
0、引言
1、环境配置
2、数据集准备
3、创建配置文件
3.1、设置官方配置文件default.yaml可自行修改。
3.2、设置data.yaml
4、进行训练
4.1、方法一
4.2、方法二
5、验证模型
5.1、命令行输入
5.2、脚本运行
6、总结 0、引言
本文是使用YOLOv10训练自己的数据集数据集包含COCO数据集的人猫狗数据以及自己制作的人猫狗数据集类别为0:person、1:cat、2:dog三类大家可根据自己的数据集类别进行调整。
1、环境配置
打开Anaconda3终端进入base环境创建新环境
conda create -n yolov10 python3.9
conda activate yolov10
#cd到yolov10的目录下
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install -e . 2、数据集准备
YOLOv10的训练数据集格式与YOLOv8相同
mydata
______images
____________train
_________________001.jpg
____________val
_________________002.jpg
______labels
____________train
_________________001.txt
____________val
_________________002.txt
参照这篇博客的数据集准备即可
YOLOv8-Detect训练CoCo数据集自己的数据集_yolov8训练coco-CSDN博客
3、创建配置文件
3.1、设置官方配置文件default.yaml可自行修改。 3.2、设置data.yaml
根据自己的数据集位置进行修改和配置。
path: D:\Yolov8\ultralytics-main\datasets\mydata # dataset root dir
train: images/train # train images (relative to path) 118287 images
val: images/val # val images (relative to path) 5000 images
#test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794# Classes
names:0: person1: cat2: dog
nc: 3
4、进行训练
上述步骤完成后即可开始训练。
4.1、方法一
通过命令直接进行训练在其中指定参数命令如下:
data.yaml根据实际路径而来
yolo detect train modelyolov10s.yaml datadata.yaml batch16 epochs100 imgsz640yolo detect train modelyolov10s.pt datadata.yaml batch16 epochs100 imgsz6404.2、方法二
通过创建py文件来进行训练
from ultralytics import YOLOv10#数据集配置文件
data_yaml_path rD:\Yolov10\yolov10-main\yolov10-detect\data.yaml
#预训练模型
pre_model_name rD:\Yolov10\yolov10-main\yolov10-detect\yolov10s.ptif __name__ __main__:#加载预训练模型model YOLOv10(pre_model_name)#训练生成的文件保存路径名savename train_yolov10s#训练模型results model.train(datadata_yaml_path,epochs10,namesavename)也可以使用yaml文件
from ultralytics import YOLOv10#数据集配置文件
data_yaml_path rD:\Yolov10\yolov10-main\yolov10-detect\data.yaml
#预训练模型
pre_model_name rD:\Yolov10\yolov10-main\ultralytics\cfg\models\v10\yolov10s.yamlif __name__ __main__:#加载预训练模型model YOLOv10(pre_model_name)#训练生成的文件保存路径名savename train_yolov10s#训练模型results model.train(datadata_yaml_path,epochs10,namesavename)注意修改类 训练过程我这里后面多加了一类所以是4 训练过程中会保存以下内容最后得到两个模型分别是best.pt、last.pt 5、验证模型
训练进程完毕以后可使用一些验证数据进行模型验证查看模型的识别效果。
5.1、命令行输入
yolo predict modelbest.pt sourceD:\Yolov10\yolov10-main\yolov10-detect\Testsets\test15.2、脚本运行
from ultralytics import YOLOv10
import glob
import os
import numpy as np
import cv2classes {0: person, 1: cat, 2: dog, 3: backpack
}
class Colors:Ultralytics color palette https://ultralytics.com/.def __init__(self):Initialize colors as hex matplotlib.colors.TABLEAU_COLORS.values().hexs (FF3838, FF9D97, FF701F, FFB21D, CFD231, 48F90A, 92CC17, 3DDB86, 1A9334, 00D4BB,2C99A8, 00C2FF, 344593, 6473FF, 0018EC, 8438FF, 520085, CB38FF, FF95C8, FF37C7)self.palette [self.hex2rgb(f#{c}) for c in hexs]# print(self.palette)self.n len(self.palette)def __call__(self, i, bgrFalse):Converts hex color codes to rgb values.c self.palette[int(i) % self.n]return (c[2], c[1], c[0]) if bgr else cstaticmethoddef hex2rgb(h): # rgb order (PIL)return tuple(int(h[1 i:1 i 2], 16) for i in (0, 2, 4))colors Colors() # create instance for from utils.plots import colors#预测的图片路径
imgpath rD:\Yolov10\yolov10-main\yolov10-detect\Testsets\test1
#模型路径
modelpath rD:\Yolov10\yolov10-main\yolov10-detect\runs\detect\weights\best.pt
#保存结果的路径
save_dir imgpath _Rst
os.makedirs(save_dir,exist_okTrue)
model YOLOv10(modelpath)imgs glob.glob(os.path.join(imgpath,*.jpg))
for img in imgs:imgname img.split(\\)[-1]frame cv2.imread(img)results model.predict(img)[0]# results model(img)for box in results.boxes:# print(box)xyxy box.xyxy.squeeze().tolist()x1, y1, x2, y2 int(xyxy[0]), int(xyxy[1]), int(xyxy[2]), int(xyxy[3])c, conf int(box.cls), float(box.conf)name classes[c]color colors(c, True)cv2.rectangle(frame, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), color, thickness2, lineTypecv2.LINE_AA)cv2.putText(frame, f{name}: {conf:.2f}, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, color,2)# cv2.imshow(image, frame)# cv2.waitKey(0)cv2.imwrite(save_dir\\imgname,frame) 6、总结
至此整个YOLOv10的训练预测阶段完成与YOLOv8差不多。
欢迎各位批评指正。
