YOLOv8 介紹與手把手訓練自訂義模型

from https://learnopencv.com/ultralytics-yolov8/

2022 年下半年 Yolov7 才剛推出沒幾個月，2023 年初 Yolov8 馬上就推出來，此次 Yolov8 跟 Yolov5 同樣是 Ultralytics 這家公司所製作，並且一樣是使用 PyTorch 去做訓練，提供三大類型的訓練方式 : 物件偵測（Object Detection）、實例分割（Instance Segmentation）、影像分類（Image Classification）。

from https://docs.ultralytics.com/tasks/detection/

由下方圖片可以看到，Yolov8 目前推論的效果是贏過其他 Yolo 系列，並且提供五種模型大小 : YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x

from https://github.com/ultralytics/ultralytics

YoloV8 跟以往不同的地方是

• 無錨檢測（Anchor Free Detection）
• 新的卷積層（New Convolutions）
• 關閉馬賽克增強（Closing the Mosaic Augmentation）

YOLOv8 架構圖, made by GitHub user RangeKing

YOLOv8x 檢測和實例分割模型的輸出 form https://learnopencv.com/ultralytics-yolov8/

訓練自訂模型

此次YOLOv8跟以往訓練方式最大不同的是，它大幅優化API，讓一些不太會使用模型的人可以快速上手，不用再手動下載模型跟進入命令列選取py執行，真的是簡化很多

1. 準備資料

首先準備要訓練的資料集，這裡資料夾格式跟 Yolov5 是一模一樣的，並且標記檔案為TXT，並且個人大力推薦使用 Robotflow 去做標記，他可以線上訓練模型，也可以在標記圖片時輔助標記，以及更重要的是他可以完全導出Yolo所需的格式，並且不需要撰寫yaml檔

資料夾格式

yaml 檔主要設定路徑跟標記類別數量( nc )、標記名稱(names)

yaml 檔格式

2. 安裝

pip install ultralytics

3. 開始訓練

python 模式

調整模型名稱即可自動切換模式

有些人在訓練時會出現 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. 這種錯誤，有兩種解法: 1.如下加上兩行程式碼 2.刪除 libiomp5md.dll

如出現 RuntimeError: DataLoader worker (pid(s)，請在 train 增加 workers=0 參數，並嘗試調整數值

results = model.train(data="data.yaml", epochs=3,workers=0)

from ultralytics import YOLO
# import os
# os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
results = model.train(data="data.yaml", epochs=3)
# Validate the model
results = model.val(data="data.yaml")  # no arguments needed, dataset and settings remembered

CLI 模式

要切換模式時需更改 yolo 後面參數 detect、segment、classify ，以及模型名稱

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

4. 預測

python 模式

results = model(source='0') 為啟動相機，results = model('folder')資料夾名稱

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model.predict(source="https://ultralytics.com/images/bus.jpg",save=True)  # predict on an image

下方為結果圖，注意要打上save=True 否則無法輸出

CLI 模式

yolo detect predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"  # predict with official model
yolo detect predict model=path/to/best.pt source="https://ultralytics.com/images/bus.jpg"  # predict with custom model

5. 導出

如需導出其他版本像是 ONNX、OpenVINO、TensorRT，只需在 Format 後填寫指定參數即可

python 模式

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained

# Export the model
model.export(format="onnx")

CLI 模式

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

6. 完整程式碼

from ultralytics import YOLO
model = YOLO("yolov8n.pt")  # load a pretrained YOLOv8n model
model.train(data="coco128.yaml")  # train the model
model.val()  # evaluate model performance on the validation set
model.predict(source="https://ultralytics.com/images/bus.jpg",save=True)  # predict on an image
model.export(format="onnx")  # export the model to ONNX format

參考網站

What's New in YOLOv8

Ultralytics YOLOv8 Docs

Ultralytics YOLOv8: State-of-the-Art YOLO Models