windows系统下YoLov8改进模型训练自己的数据集
yolov8 github下载
1、此时确保自己的数据集格式是yolo 格式的（不会的去搜教程转下格式）。
你的自制数据集文件夹摆放
主目录文件夹摆放
自制数据集data.yaml文件路径模板
path: ../datasets/VOCdevkit
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: # test images (optional)
names:
0: name1
1: name2
.....
2、把data.yaml放在yolov8–>ultralytics->datasets文件夹下面
3、然后模型配置改进yaml文件在主目录新建文件夹v8_cfg存放
模型改进修改与yolov5 类似，只是修改的文件名称与文件地址变化了
1.首先在yolov8–>ultralytics–>nn–>model.py添加你自己的新模型
2.然后在yolov8–>ultralytics–>nn–>task.py–>parse_model解析文件里面导入并添加你的模块
3.修改yolov8n.yaml文件
4、权重.pt文件直接下载到主目录下面
5、然后在主目录下新建推理v8_train.py
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO("./v8_cfg/yolov8n-test.yaml") # build a new model from scratch
results =model.train(data="data.yaml" ,epochs=500, model="yolov8n-test.yaml",imgsz=640,batch=30,workers = 2)
此时运行改进模型发现不会载入预训练权重，原因是因为yolov8 model只能载入pt或者yaml，二者只能其一，我们改进模型肯定要 选择mode = yaml
(1)参考魔傀面具大佬的blibli将下面这段代码插入yolov8–>ultralytics–>yolo–>engine–>model.py–>def _new，可以载入预训练权重进行迁移学习（如果不想用预训练权重想从0开始，则注释就行）
""" 添加代码bug """
ckpt = torch.load('yolov8n.pt')
csd = ckpt['model'].float().state_dict()
csd = intersect_dicts(csd,self.model.state_dict())
self.model.load_state_dict(csd,strict = False)
print(f'Transferred {len(csd)}/{len(self.model.state_dict())} items')
""" 添加代码bug """
具体插入位置如下图所示
文章来源：https://www.toymoban.com/news/detail-458788.html
(2)yolov8 train的时候会重新载入一次模型，用yolo测试模型yaml文件一次，后面又会覆盖一次 所以这里需要修改代码 文件路径yolov8–>ultralytics–>yolo–>engine–>model.py–>def train
self.trainer = TASK_MAP[self.task][1](overrides=overrides)
# if not overrides.get('resume'): # manually set model only if not resuming
# self.trainer.model = self.trainer.get_model(weights=self.model if self.ckpt else None, cfg=self.model.yaml)
# self.model = self.trainer.model
self.trainer.model = self.model
插入具体位置如下图所示
文章来源地址https://www.toymoban.com/news/detail-458788.html
6、然后在主目录下新建推理文件v8_predict.py，将best.pt移动到主目录下 新建v8_images文件夹存放你需要推理的图片
from ultralytics import YOLO
if __name__ == '__main__':
# Load a model
model = YOLO("best.pt")
# Predict with the model
results = model(source="v8_images",save=True,device= "cuda:0") # predict on an image
7、2023.10.6更新，由于作者yolov8框架的更新，现在载入预训练模型可以使用作者的api接口 model.load(‘yolov8n.pt’)来使用，只要权重路径是对的，也不用使用更改源码的方式了。
from ultralytics import YOLO
if __name__ == '__main__':
# 直接使用预训练模型创建模型.
# model = YOLO('yolov8n.pt')
# model.train(**{'cfg':'ultralytics/cfg/exp1.yaml', 'data':'dataset/data.yaml'})
# 使用yaml配置文件来创建模型,并导入预训练权重.
model = YOLO('ultralytics/cfg/models/v8/yolov8n.yaml')
model.load('yolov8n.pt')
model.train(**{'cfg':'ultralytics/cfg/PCB.yaml', 'data':'datasets/VOCPCB.yaml'})
# 模型验证
# model = YOLO('runs/detect/train11/weights/best.pt')
# model.val(**{'cfg':'ultralytics/cfg/PCB.yaml', 'data':'datasets/VOCPCB.yaml'})
# 模型推理
# model = YOLO('runs/detect/yolov8n_exp/best.pt')
# model.predict(source='dataset/images/test', **{'save':True})
# 模型导出
# model = YOLO("Weight/yolov8n.pt") # load an official model
# model.export(format="onnx")
到了这里，关于Yolov8改进模型后使用预训练权重迁移学习训练自己的数据集的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
