AI打游戏-肆（模型训练）

• AI打游戏-肆(bilibili)

目标

• pip安装依赖
• (可选)安装GPU版pytorch
• 自定义训练配置，模型训练

步骤

文档

• ultralytics官方文档
• ultralytics开源项目
• 视频：TOLOv8训练自己的数据集
• 文章：安装CUDA后，pytorch仍然无法启用GPU

pip安装依赖

# 安装依赖
pip install ultralytics

# 耗时有点长，可以使用国内镜像安装
pip install -i https://mirrors.aliyun.com/pypi/simple/ ultralytics 

• 测试效果

  • 随便搜索下载一张猫或狗的图片，把路径作为source参数

• "yolov8n.pt"是官方预训练好的模型，第一次使用会自动从Github上下载

  • 国内访问Github网络不稳定，如果失败多重试几次，或自己下载放到根目录中

yolo predict model=yolov8n.pt source='dog.jpg'

(可选)重装GPU版pytorch

• ultralytics默认安装的是cpu版pytorch

  • 导致使用英伟达显卡并安装了CUDA和cuDNN，但训练时依然是CPU
• 运行下面的python文件，查看打印内容就可以看出来

import torch

# 判断cuda是否生效
print(torch.cuda.is_available())

# 查看torch版本
print(torch.__version__)

• pip卸载CPU版本pytorch
• 打开pytorch官网，重新安装GPU版pytorch

# 卸载cpu版本的pytorch
pip uninstall torch torchvision torchaudio

# 重新安装gpu版本(cuda11.7)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

• 重新运行上面的python文件，看到版本从"2.0.1+cpu"变为"2.0.1+cu117"

自定义训练配置

• 参考ultralytics项目的coco128.yaml训练配置，编写自定义训练配置
• 将训练集根目录设置为上一期视频，从标注平台导出的目录
• 并将train、val路径设置为images(标注档会自动识别为"labels")
• 示例如下：game.yml

path: E:\ai-play-game\project-1-at-2023-09-13-17-05-6275bec0  # dataset root dir
train: images  # train images (relative to 'path') 128 images
val: images  # val images (relative to 'path') 128 images

# Classes，最好使用英文，opencv支持中文比较麻烦
names:
  0: hellhound  # 地狱犬
  1: samurais   # 武士
  2: player     # 玩家
  3: fireflies  # 萤火虫

训练

• 详细训练参数看官网ultralytics - train

  • data: 指定训练配置路径
  • model: 使用"yolo8n.yaml"模型(定义模型网络，"yolov8n.yaml"是内置yolov8n网络结构)
  • batch: 批大小，数值太大电脑扛不住
  • epoches: 训练轮次，游戏元素比较简单，训练一两百次就有不错的效果了

yolo detect train data=game.yml model=yolov8n.yaml batch=4 epochs=200

训练结果验证

• 训练时，自动在根目录创建runs/detect/train目录，可以看到各种训练数据

• 训练结束后，"runs/detect/train/weights/"目录里是模型结果

  • best.pt，是本轮训练中效果最好的模型
  • last.pt，是最后一次训练的模型
• 使用任意游戏截图测试效果

yolo predict model=runs/detect/train/weights/best.pt  source='E:/project-e8d01b35/images/xxx.jpg'