准备阶段
-
下载源代码：https://github.com/ultralytics/ultralytics
-
下载数据集：https://public.roboflow.com/object-detection/mask-wearing/4
命名为MaskDataSet置于D:\Pytorch\yolo\YOLOv8\ultralytics\ultralytics\yolo\v8\detect里
MaskDataSet内部
最重要的文件是data.yaml。data.yaml前几行
解释
1. train和val ：分别指定训练集和测试集文件夹相对于v8的路径
2. nc：指定标签的个数一共两个
3. names：指定标签的名称分别为mask和no-mask
（或者也可以用lableme，制作自己的数据集，使用方法不在这里说明）
- 安装所需库：进入ultralytics文件夹，执行
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple --user
#“-i https://pypi.tuna.tsinghua.edu.cn/simple”：清华开源库加速下载
#“--user”：管理员模式
- 下载预训练模型
在YOLOv8的GitHub开源网址上下载对应版：https://github.com/ultralytics/ultralytics
我下载了YOLOv8x，放到下面这个位置
模型训练阶段
在D:\Pytorch\yolo\YOLOv8\ultralytics\ultralytics\yolo\v8\detect路径下使用cmd，输入
yolo task=detect mode=train model=weights/yolov8x.pt data=data.yaml batch=16 epochs=50 imgsz=640 workers=16 device=0
【参数解释】
task：选择任务类型，可选[‘detect’, ‘segment’, ‘classify’, ‘init’]
mode：选择task的模式（训练、验证还是预测），可选[‘train’, ‘val’, ‘predict’]
model：选择不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml
data: 选择生成的数据集配置文件
epochs：指的就是训练过程中整个数据集将被迭代多少次（显卡差调小）
batch：梯度下降的mini-batch（显卡差调小）
由于我设备不行，OOM报错，转战Colab白嫖机器
（插图一个我菠萝菠萝的笔记本orz，哈哈哈上学之前要去换个好点的设备
扫描二维码关注公众号，回复： 17324884 查看本文章
（下面的操作需要科学上网噢）
-
把整个文件夹上传至Google云盘：https://drive.google.com/drive/my-drive
-
去Colab新建项目：https://colab.research.google.com/drive
将上传到谷歌云盘中的文件夹，复制到我们此时左侧文件窗口中的主目录中
进入对应文件夹后开始训练
如果在运行train.py时提示：No found module：ultralytics，可以在训练前安装
pip install ultralytics
还有就是修改了“/content/YOLOv8/ultralytics/ultralytics/yolo/cfg/default.yaml”中的model和data
修改文件：/content/YOLOv8/ultralytics/ultralytics/yolo/v8/detect/train.py中model和data
然后就开始train了，下面是运行时的截图
- 训练结果
100个epochs用了0.432h（25.92min），训练生成的模型保存在了v8/detect/runs/detect/train7里（为什么是train7呢？因为之前失误了，要是第一次就成就是train）
weights文件夹里的best.pt和last.pt是权重文件，是训练好的模型，后面会使用best.pt来预测
我们可以看出来训练的结果挺糟糕的，尤其是no-mask和随机的概率也大差不差了，但先不优化模型了，先直接使用看看，后续再进行模型优化
模型验证阶段
Val ：验证，在训练完YOLOv8模型后，用于验证其准确性。
我没进行验证，要验证的方法也很简单，修改一下任务模式和使用数据集就行了
yolo task=detect mode=val model=runs/detect/train7/weights/best.pt data=data.yaml batch=16 workers=16
模型预测阶段
- 将训练好的文件下载至本地
由于无法在Colab上调用摄像头进行实操，使用我们将训练好的模型弄回本地，使用PyCharm进行预测
先备份到Google云盘
去Google云盘下载到本地
修改文件：ultralytics/ultralytics/yolo/v8/detect/predict.py
在终端输入
yolo task=detect mode=predict model=runs/detect/train7/weights/best.pt source=0 show=True
参数解释(补充)：
source：待检测的图像源，“0”指调用摄像头；show：是否显示摄像头拍摄窗口
再补充一句：
在参考使用yolov5的项目时，大家都是用的detect.py，但是我在v8里没有找到（不知道是不是我的问题），但是有predict.py，所以我觉得predict.py就等效于v5里的detect.py的作用
开始运行后，桌面就会显示摄像头拍摄窗口了，命令框里也会一直刷新当前的检查结果
不用实测我都能知道效果很差（这里就不放摄像头拍摄画面啦），更糟的是有时候两种预测框还会一起出现，而且预测框的颜色也太接近了（一红一粉，正在尝试自定义预测框颜色，弄好后再加上来）
检测的结果会自动生成predict文件夹保存
模型导出
yolo task=detect mode=export model=runs/detect/train3/weights/best.pt format=onnx
# 俺模型结果不好，就先不导出了，后续再调一调，能见人了再导出，这里就不放演示了
碎碎念
距离上一次发博客都过去一个多月了，期间不是没有在学习，也保持着记笔记的习惯，但由于刚入门ML/DL的领域，能力也一般，现阶段学的很多东西都很基础，很多时间都在看各路大佬们的课、博文或是读论文，笔记里很多内容都是在收集别人的知识产物，整理时也没有很有条理，根本不是能作为博客发布的状态，所以就一直存放在本地了…害，希望接下来能多有自己的产出吧orz
再顺嘴提一下，Typora记笔记真的蛮舒服的，看论文用Zotero，安装英译中插件，真的nice，没试过的都去试试（别逼我求你）