YOLO v8 自订资料模型训练实作

前言

前一篇说明 YOLO v8 的安装与预测，预设的模型可辨识COCO资料集的80种物件类别，如果要辨识其他物件类别，就必须準备自订资料集(Custom dataset)，训练专属的模型。

準备自订资料集

Roboflow提供许多公用资料集，适用各种类别的辨识，涵盖物件侦测(object detection)、分类(classification)、实例分割(instance segmentation)及语义分割(semantic segmentation)，这里採用『美元纸钞』(Dollar bill)资料集，包括1、5、10、20、50元的正反面的图片，共10个类别，部分图片含多张纸钞。

自这里下载后，解压缩至一目录，假设为 Dollar_Bill，需先进行以下前置处理：

模型训练

在Dollar_Bill目录执行下列指令，可进行模型训练：

yolo task=detect mode=train model=yolov8s.pt data=./data.yaml epochs=5 imgsz=640

笔者PC配备GTX1050Ti GPU，每一执行週期(Epoch)约训练3分钟，5个执行週期约15分钟，準确率(mAP)还不错。

训练成功后，最佳模型会存为 Dollar_Bill\runs\detect\train\weights\best.pt，另外还有一个最新的模型last.pt。

模型评分

在Dollar_Bill目录执行下列指令，可进行模型训练：

yolo task=detect mode=val model=./runs/detect/train/weights/best.pt data=./data.yaml

结果如下，準确率(mAP)还不错：

侦测图片的结果存在 Dollar_Bill/runs/detect/val目录，可观察每一个jpg档案，大部分都可把纸钞加框，结果如下：

预测

在Dollar_Bill目录执行下列指令，可进行模型预测，以下指令预测./datasets/test/images目录下所有档案：

yolo task=detect mode=predict model=./runs/detect/train/weights/best.pt conf=0.25 source=./datasets/test/images

结果如下：

也可以使用前一篇的程式：

from ultralytics import YOLOfrom PIL import Imageimport cv2model = YOLO("./runs/detect/train/weights/best.pt")# from PILim1 = Image.open(r".\Dollar_Bill\datasets\test\images\IMG_1909_jpg.rf.3f2bde8dc899b141a4361677e55242e4.jpg")# save=True：存档results = model.predict(source=im1, save=True)

结果会存档位置预设在 runs\detect\predict 资料夹下。

结语

整体而言，YOLO v8 的测试比前面版本方便，训练时间也缩短很多，準确率也不错，无特殊异常状况需处理。
除了物件侦测外，YOLO v8 还提供分类(Classification)、语义分割(Semantic segmentation)及物件追蹤(Object tracking)功能，可参阅官方文件，下次再试试看。

以下为工商广告:)。
深度学习PyTorch入门到实战应用影音课程：

PyTorch：
开发者传授 PyTorch 秘笈

TensorFlow：
深度学习 -- 最佳入门迈向 AI 专题实战。