YOLOv8实践 | 手把手教你用YOLOv8训练自己的数据集以及YOLOv8的多任务使用-卡咪卡咪哈-一个博客

1、YOLOv8_Efficient的介绍

Github地址:https://github.com/isLinXu/YOLOv8_Efficient

本项目基于ultralytics及yolov5等进行综合参考，致力于让yolo系列的更加高效和易用。

目前主要做了以下的工作：

参考https://docs.ultralytics.com/config/中的Configuration参数，分别针对train.py、detect.py、val.py等做了相应参数的配置对齐。

结合yolov5的使用习惯以及代码结构做了兼容和优化。

通过在coco数据集上在自己的机器上进行验证和计算的权重的指标参数，实验记录存放在https://github.com/isLinXu/YOLOv8_Efficient/tree/main/log.实验数据记录在:

根据计算出来的结果绘制了相应的指标参数对比图，这个绘图程序也开源在https://github.com/isLinXu/model-metrics-plot中。

融合其他更多网络模型结构进行集成整合和配置，正在进行中…

2、关于ultralytics的名字

为什么这个仓库取名为ultralytics，而不是yolov8，结合这个issue，笔者认为主要有以下几个方面的原因：

1.因为ultralytics团队希望将这个项目设计和建成一个集合分类，检测，分割等视觉任务的集成训练推理框架，而不仅仅只是yolov8。后续可能会有更多更全的网络模型会集成进来。2.因为http://pypi.org上的第三方已经把yolov6,yolov7,yolov8等名字给取了，pip install名称的规则是不允许有重复名的。

issue链接：https://github.com/ultralytics/ultralytics/issues/179

3、关于自定义配置模型训练

结合上面的讨论，自然而然会有这个想法，既然ultralytics要建一个集成训练框架，那么能否直接在ultralytics仓库上直接配置和训练yolov5呢，笔者做了下面一系列的尝试:

在models中加入相应的.yaml文件和yolov5沿用的模块，如common.py、experimental.py、google_utils.py

在models/common.py中，加入了yolov5所需的网络结构

class C3(nn.Module):

# CSP Bottleneck with 3 convolutions

def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion

super().__init__()

c_ = int(c2 * e) # hidden channels

self.cv1 = Conv(c1, c_, 1, 1)

self.cv2 = Conv(c1, c_, 1, 1)

self.cv3 = Conv(2 * c_, c2, 1) # optional act=FReLU(c2)

self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))

def forward(self, x):

return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

在运行时加入模块用于测试

最后一通操作下来，已经可以根据yolov5s.yaml去读取网络结构了，但是在跑的时候还是报错。

报错信息如下：

于是针对”train_args”做了一个全局搜索，发现了下面的结果：

可以看到，之前训练出来的v8的权重内包含了”train_args”的信息。顺着程序运行的流程，相应地发现了yolo/engine/model中的”__init__(self)”函数，

def __init__(self, model=yolov8n.yaml, type=”v8″) -> None: “”” Initializes the YOLO object. Args: model (str, Path): model to load or create type (str): Type/version of models to use. Defaults to “v8”. “”” self.type = type self.ModelClass = None # model class self.TrainerClass = None # trainer class self.ValidatorClass = None # validator class self.PredictorClass = None # predictor class self.model = None # model object self.trainer = None # trainer object self.task = None # task type self.ckpt = None # if loaded from *.pt self.ckpt_path = None self.cfg = None # if loaded from *.yaml self.overrides = {} # overrides for trainer object self.init_disabled = False # disable model initialization # Load or create new YOLO model {.pt: self._load, .yaml: self._new}[Path(model).suffix](model)

读取模型和配置是在”__init__”的最后一行:

# Load or create new YOLO model {.pt: self._load, .yaml: self._new}[Path(model).suffix](model)

而def _load(self, weights: str):中实际读取模型权重的实现是self.model = attempt_load_weights(weights)。可以看到，相比于yolov5，v8读取权重的函数attempt_load_weights，多了下面这行

args = {**DEFAULT_CONFIG_DICT, **ckpt[train_args]} # combine model and default args, preferring model args

那么，能否直接将v5的项目中，将相应的函数补充过来给v8做适配呢，自然是可以的，当笔者将model.py的_load函数中这行代码：

self.model = attempt_load_weights(weights)

替换为下面这行时：

self.model = attempt_load(weights)

重新运行了一遍，发现又出现了下面的问题:

错误信息为AttributeError: Model object has no attribute args，既然是Model定义和配置上的问题，那么就没有再往下修改的必要了，还是等官方团队的更新和修改吧，等等党永远不亏。

4、关于v8的多任务使用

根据官方的文档介绍，还有对代码的分析，目前v8项目是支持检测、分类和分割的。设定是通过”task”进行区分任务，又通过mode来设置是训练还是检测的模式，如下使用：

yolo task=detect mode=train model=yolov8n.yaml epochs=1 … … … … segment predict yolov8n-seg.pt classify val yolov8n-cls.pt

4.1、训练

tasksnippetDetection检测detectyolo task=detect mode=trainInstance Segment分割segmentyolo task=segment mode=trainClassification分类classifyyolo task=classify mode=train

4.2、预测

tasksnippetDetection检测detectyolo task=detect mode=predictInstance Segment分割segmentyolo task=segment mode=predictClassification分类classifyyolo task=classify mode=predict

4.3、验证

tasksnippetDetection检测detectyolo task=detect mode=valInstance Segment分割segmentyolo task=segment mode=valClassification分类classifyyolo task=classify mode=val!关于这三个任务，YOLOv8_Efficient项目后续会分别设置相应的模块用于执行，目前正在更新中。

5、附件

5.1、YOLOv8读取权重

def attempt_load_weights(weights, device=None, inplace=True, fuse=False): # Loads an ensemble of models weights=[a,b,c] or a single model weights=[a] or weights=a from ultralytics.yolo.utils.downloads import attempt_download model = Ensemble() for w in weights if isinstance(weights, list) else [weights]: ckpt = torch.load(attempt_download(w), map_location=cpu) # load args = {**DEFAULT_CONFIG_DICT, **ckpt[train_args]} # combine model and default args, preferring model args ckpt = (ckpt.get(ema) or ckpt[model]).to(device).float() # FP32 model …

5.2、YOLOv5读取权重

def attempt_load(weights, device=None, inplace=True, fuse=True): # Loads an ensemble of models weights=[a,b,c] or a single model weights=[a] or weights=a from models.yolo import Detect, Model model = Ensemble() for w in weights if isinstance(weights, list) else [weights]: ckpt = torch.load(attempt_download(w), map_location=cpu) # load ckpt = (ckpt.get(ema) or ckpt[model]).to(device).float() # FP32 model …