YOLOv8：官方项目训练

1. 基础解读

        detect/train.py中有DetectionTrainer类，继承自BaseTrainer类，并实现了诸如get_dataloader, get_model等接口。

        setup_model接口用于准备模型，首先会检查self.model是否是torch.nn.Module，即已经是导入的模型。如果不是，检查当前从配置文件导入的模型是pt模型还是yaml模型。之后，会调用get_model接口进行模型的创建(包含load checkpoint)。

2. 配置

        配置文件位于./ultralytics/yolo/cfg/default.yaml

（1）训练配置

        在Train settings部分，配置model, data, model_save_dir，enable_log

和log_dir路径。分别表示训练的算法网络、数据路径、模型存储路径、是否开启日志和日志存储路径。

（2）推理、测试配置

        在Prediction settings部分，配置
predict_model, source, result_dir，此外在Val/Test settings部分配置conf, iou等。

3. 运行记录

运行如下指令训练：

python3 ultralytics/yolo/v8/detect/train.py

（1）错误1

        No module named 'ultralytics'

        解决：

        事实上，YOLOv8源代码中已经包含了ultralytics的一些东西，无需再安装，因此这个时候可以在ultralytics/yolo/v8/detect/train.py文件的起始位置加上如下代码即可。

        import os

        import sys

        sys.path.append("/2T/001_AI/1003_YOLOv8/001_AL/001_YOLOv8")

（2）错误2：

        遇到错误：No module named 'git'

        解决：

        pip3 install gitpython

（3）错误3：

        No module named 'thop'

        解决：

        pip3 install thop

4. 按照示例代码运行

        如果想使用官方代码直接运行，在解决完成上述问题后，直接运行如下代码即可。

python3 ultralytics/yolo/v8/detect/train.py

        此时，终端打印如下：

5. 训练自己的数据

训练自己的数据时，需要根据自己的数据标注格式修改部分代码，主要是ultralytics/yolo/data/datasets/路径下的yaml文件，如添加VOC_Power48.xml。

在配置数据yaml文件之前，需要通过几个步骤预处理，获取train、val、test数据集。本处以VOC数据标注转coco数据格式进行举例说明。

（1）VOC转YOLO格式数据集

YOLO格式仅是一种叫法，形式如下，不必深究。

[class_id, Xcenter, Ycenter, Width, Height]

VOC数据集普遍以LabelImg软件进行标注，获取一份与图像数据同名的标注文件。如000000.jpg对应000000.xml。为了便于YOLO系列使用，普遍会将VOC数据标注转换为YOLO标注形式，即000000.jpg对应000000.txt标注文件。

运行转换脚本：step_1_voc2yolo_convert.py

（2）划分train、val、test

在上一步制作完成YOLO格式的标注文件后，需要将数据集按照一定的比例划分为训练集(train.txt)、评估集(val.txt)和测试集(test.txt)。

划分数据集运行脚本：step_3_split_train_val_test.py

有两点需要注意：

a. 为了尽量增多训练和评估样本数量，测试集可使用未标注的文件；

b. 经过当前脚本生成的是txt文件，内容为路径列表，如图1所示。训练时在VOC_Power48.xml导入该txt文件路径即可(如图2)。

图1 训练数据集(train.txt)样例

图2 数据文件配置

（3）测试数据

经过第一步的转换(step_1_voc2yolo_convert.py)以后，可通过脚本step_2_optional_draw_for_validate.py指定文件名(.jpg)和标注文件(.txt)进行数据的测试

6. Finetune

执行finetune的时候，只需要将default.py中的model替换成已有的pt模型即可。

7. 训练策略

训练的数据增强部分最后10 epoch关闭Mosaic增强更有利于模型收敛的稳定，同时训练epoch数从300增大到500使得模型训练更充分。

从上面可以看出，YOLOv8集合了之前提出的诸如YOLOX、YOLOv6、YOLOv7和PPYOLOE等算法的相关设计，尤其是Head标签分配和Loss部分以及PP-YOLOE非常相似。YOLOv8集百家所长达到了实时检测界的一个新高度。

8. 继续训练与恢复训练

继续训练是指使用已保存的ckpt中的weights、optimizer和其他等参数，从头开始训练，一般情况下epoch从0开始。

恢复训练是指使用已保存的ckpt中的weights、optimizer和epoch等参数作为(pretrained weights)继续训练，一般情况下epoch>0。

工程中，在resume_training阶段做了修改，当执行resume训练时，start_epoch接上次，当Finetune训练时，start_epoch从0开始。

配置文件中(default.yaml, 或由DEFAULT_CFG_PATH指定的其他配置文件)有以下几个可选的配置：

（1）model为yaml文件(resume==False)

执行Training from scratch。

（2）model为pt模型文件(resume==False)

执行Finetune training。

（3）resume为指定的pt模型文件(忽略model指定内容)

当resume为指定的pt时，执行resume训练。

特别说明：

代码初始运行时会有check_amp操作，此时会自动下载yolov8n.pt用于检查。