当前位置：首页 > news >正文

基于SeaShips数据集的yolov8训练教程

news 来源：原创 2025/8/27 17:24:14

之前已经试过在yolov3和faster-rcnn上训练SeaShips数据集，本次在yolov8上进行训练。

yolov8的训练有两种方式，一种是在mmdetection框架下下载mmyolo运行，另一种是直接采用ultralytics。本文两种方法都会介绍。

一、mmyolo

1.1 创建环境

1.2 数据集准备

1.3 运行yolov8

二、ultralytics

2.1 下载ultralytics

2.2 数据集准备

2.3 运行yolov8

三、运行结果

一、mmyolo

官网链接：GitHub - open-mmlab/mmyolo: OpenMMLab YOLO series toolbox and benchmark. Implemented RTMDet, RTMDet-Rotated,YOLOv5, YOLOv6, YOLOv7, YOLOv8,YOLOX, PPYOLOE, etc.

mmyolo支持yolo许多系列的算法：

1.1 创建环境

conda create -n mmyolo python=3.8 pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch -y
conda activate mmyolo
pip install openmim
mim install "mmengine>=0.6.0"
mim install "mmcv>=2.0.0rc4,<2.1.0"
mim install "mmdet>=3.0.0,<4.0.0"
git clone https://github.com/open-mmlab/mmyolo.git
cd mmyolo
# Install albumentations
pip install -r requirements/albu.txt
# Install MMYOLO
mim install -v -e .

按照上述步骤安装好mmyolo并创建属于自己的虚拟环境。

创建环境出错的可以看看我的这篇文章：基于kitti数据集的3D目标检测算法的训练流程_kitti 3d目标检测-CSDN博客

里面详细的讲解了环境的配置等操作。

mmyolo装好之后应该会有这样的文件夹：

1.2 数据集准备

我们的SeaShips数据集格式是这样的：

Annotations里面是所有图像的标注文件（.xml），ImageSets是测试、训练和验证数据集划分文件（txt），JPEGImages里是所有的图像文件。

我们需要将数据集转换成yolov8允许的格式：

（这里annotations文件夹其实不需要）只需要test、train和val三个文件夹，每个文件夹下都有images和labels两个子文件夹，images里面是对应的图像数据，labels是txt格式的标注文件。下面是转换代码文件：

import os
import shutil
import xml.etree.ElementTree as ET
from tqdm import tqdm# #################################################
# 用户需修改以下路径和类别映射
# #################################################
# 原始数据集路径
root_dir = "path/to/seaships"  # 数据集根目录
annotations_dir = os.path.join(root_dir, "Annotations")
imagesets_dir = os.path.join(root_dir, "ImageSets/Main")  # 假设划分文件在此目录
jpegimages_dir = os.path.join(root_dir, "JPEGImages")# YOLOv8 输出路径
output_dir = "path/to/yolov8_dataset"  # 新数据集保存位置# 类别名称映射（根据实际标注修改）
class_mapping = {"ship": 0  # 示例：XML中标注的类别名称 -> YOLO类别ID
}# #################################################
# 核心代码（无需修改）
# #################################################def convert_annotation(xml_path, txt_path, img_width, img_height):"""将 XML 标注转换为 YOLO 格式的 TXT 文件"""tree = ET.parse(xml_path)root = tree.getroot()with open(txt_path, 'w') as f:for obj in root.findall('object'):class_name = obj.find('name').textif class_name not in class_mapping:continue  # 跳过未定义类别class_id = class_mapping[class_name]bbox = obj.find('bndbox')xmin = float(bbox.find('xmin').text)ymin = float(bbox.find('ymin').text)xmax = float(bbox.find('xmax').text)ymax = float(bbox.find('ymax').text)# 计算归一化坐标x_center = (xmin + xmax) / 2 / img_widthy_center = (ymin + ymax) / 2 / img_heightwidth = (xmax - xmin) / img_widthheight = (ymax - ymin) / img_heightf.write(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")def get_image_size(xml_path):"""从 XML 文件中获取图像尺寸"""tree = ET.parse(xml_path)root = tree.getroot()size = root.find('size')return (int(size.find('width').text),int(size.find('height').text))def process_split(split_name):"""处理单个划分集（train/val/test）"""# 读取划分文件split_file = os.path.join(imagesets_dir, f"{split_name}.txt")with open(split_file, 'r') as f:filenames = [line.strip() for line in f.readlines()]# 创建输出目录img_output_dir = os.path.join(output_dir, split_name, "images")label_output_dir = os.path.join(output_dir, split_name, "labels")os.makedirs(img_output_dir, exist_ok=True)os.makedirs(label_output_dir, exist_ok=True)# 处理每个文件for filename in tqdm(filenames, desc=f"Processing {split_name}"):# 原始文件路径xml_path = os.path.join(annotations_dir, f"{filename}.xml")img_src = os.path.join(jpegimages_dir, f"{filename}.jpg")# 目标文件路径img_dst = os.path.join(img_output_dir, f"{filename}.jpg")txt_dst = os.path.join(label_output_dir, f"{filename}.txt")# 复制图片shutil.copy(img_src, img_dst)# 转换标注if os.path.exists(xml_path):img_width, img_height = get_image_size(xml_path)convert_annotation(xml_path, txt_dst, img_width, img_height)if __name__ == "__main__":# 处理所有划分集for split in ["train", "val", "test"]:process_split(split)print("数据集转换完成！")print(f"输出目录结构：\n{output_dir}")print("|- train/")print("   |- images/")print("   |- labels/")print("|- val/")print("   |- images/")print("   |- labels/")print("|- test/")print("   |- images/")print("   |- labels/")

修改代码中的路径为自己相应文件夹路径运行改代码即可完成数据集的转换。

1.3 运行yolov8

数据集转换完成之后我们还要修改配置文件中数据集的路径，配置文件在~/mmyolo/configs/yolov8

这下面的py文件都是我们的配置文件，可以自己选一个去运行，将其中的路径都修改成自己的就好了。

运行以下命令就可以跑起来了：

python ~/mmyolo/tools/train.py ~/mmyolo/configs/yolov8/{your yolov8 setup file.py} [--work-dir {the path to your output directory}]

第一个是你的训练文件（如果是进行测试则用test.py），第二个是你的配置文件，最后一个py的位置就填入你自己想运行的配置文件，后面的work-dir参数可选，用来指定输出文件的路径，如果不指定则会自动生成一个work_dir文件夹保存输出文件。

二、ultralytics

官网链接：Quickstart - Ultralytics YOLO Docs

首先还是要安装环境，参考上面。

2.1 下载ultralytics

运行以下命令

# Install the ultralytics package from PyPI
pip install ultralytics

或者这个命令也可以：

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

安装完成后会有以下文件夹：

2.2 数据集准备

和1.2一样，把数据集转换成yolov8允许的格式后，我们还要在数据集文件夹下添加一个yaml文件：

文件内容如下：

# dataset path
path: your path to the dataset
train: train
val: val
test: test
#test: ./dataset/images/test# number of classes
nc: 6# class names
names: ['passenger ship', 'ore carrier', 'bulk cargo carrier', 'general cargo ship', 'container ship', 'fishing boat']

记得把path那里修改成你自己的路径。

2.3 运行yolov8

运行以下命令就可以跑起来了：

yolo task=detect mode=train model=~/ultralytics/models/v8/yolov8l.yaml data=~/SeaShips_yolov8/seaships.yaml epochs=200 workers=8 batch=16

mode和data分别为yolov8的模型和数据集下添加的文件（均为.yaml后缀），后面的epoch代表训练的轮数，workers是并行计算数量，batch是批处理的数量，根据自己的需求更改。

这种方式的结果会存储在ultralytics文件夹下的一个叫runs的子文件夹下。

detect表示进行的任务种类，train3表示跑的次数，我之前运行过两次都因为没有配置好失败。

三、运行结果

文件比较大，这里只展示最后的结果：

可以看到，最后的运行结果中，mAP50达到了0.97682，但mAP50—95却只有0.78122。

1.1 创建环境

1.2 数据集准备

1.3 运行yolov8

二、ultralytics

2.1 下载ultralytics

2.2 数据集准备

2.3 运行yolov8

三、运行结果

相关文章：