最近在网上看到YOLO目标检测，感觉很有意思，就尝试去搭建了一下YOLO的环境并训练了自己的一个猫狗的数据集，还是挺有意思的，下面从环境搭建到训练模型进行详细的介绍，由于是第一次接触YOLO，如果有不正确的地方，望指出。

一、环境搭建

        搭建环境的话我是用了python虚拟环境，且并没有安装pytorch，网上很多教程都是让安装anaconda和pytorch，我并没有安装，直接在python虚拟环境下安装YOLO的库是可以的，所以我感觉并没有必要安装anaconda和pytorch，如果你想利用conda虚拟环境的话，也可以安装anaconda，毕竟易于管理，下面我详细介绍我是如何搭建YOLO的库的。

        首先就是python虚拟环境的搭建，在之前的博客中我已经详细的介绍过了，这里就不再赘述，接下来就是进入自己的虚拟环境，并在虚拟环境中输入如下命令：

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

等待下载完成后就可以了。

        然后需要再下载一个对数据分配标签的库labeling库，在虚拟环境中输入如下命令：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

等待下载完成即可。

二、预训练权重的加载和环境测试

        首先需要先下载一个yolo的预训练权重，我在网上只找到了yolov8的预训练权重，网站地址：项目文件预览 - YOLOv8预训练权重文件集合:本仓库提供了YOLOv8系列预训练权重文件集合，包括YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l和YOLOv8x。这些模型在COCO数据集上进行了预训练，适用于目标检测任务。分类模型则在ImageNet数据集上进行了预训练。 - GitCodehttps://gitcode.com/open-source-toolkit/4b6b9/blob/main/YOLOv8%E9%A2%84%E8%AE%AD%E7%BB%83%E6%9D%83%E9%87%8D%E6%96%87%E4%BB%B6%E9%9B%86%E5%90%88(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x).zip下载后解压下来，最好解压到环境所在的文件夹中以便使用，解压后得到如下五个文件：

都可以使用，我使用的是yolov8n.pt。

        接下来打开pycharm，加载好刚刚创建的虚拟环境后，新建一个python文件，命名为yolo_test(自己可以随意取名字)，输入如下代码：

from ultralytics import YOLO

'''这个路径地址是我们刚才下载的预训练权重'''
model= YOLO('D:\openCV\YOLO\pretrain_wight/yolov8n.pt')

'''下面随便选取一张图片，我随便选择了一张狗的图片'''
img_root = 'D:/openCV/data_splited/test/images/flickr_dog_000032.jpg' 

#模型检测
model.predict(img_root, save=True)

然后运行，的到如下结果：

得到上述结果，说明结果被储存下来了，且在run\detect\predict4中，根据这个地址找到这张图片，如下，如果有检测结果说明环境安装成功了。

三、数据集标注和划分

        我们已经安装过labelimg了，现在准备好我们的数据集，数据集是一个文件夹，里面有很多图片，我们用labelimg对我们的数据集进行标注，首先依然是进入我们的虚拟环境，在虚拟环境里输入labelimg，如下：

在按下回车之后会弹出如下页面：

我们点击 Open Dir，然后选择我们存放数据的文件夹，再点击Change Save Dir 来选择存放标签的文件夹（建议跟数据文件夹放在一起）。千万注意要将上述框住的地方选择YOLO，否则标记后的标签是不能使用的。之后我们就可以对图片进行标注了。在这之前，我们可以点击最上面的View来设置自动保存，防止自己辛辛苦苦标记的数据忘记保存的现象，

labelimg中有许多快捷键可以加快标记数据，最常用的有三个，快捷键W表示开始标注，标注完成后要对标注的区域设置标签，比如cat或者dog，如下图所示：

一张图片中也可以标记多个标签，如下图，如下图，同时标记了一个狗和一个猫。

标注完一张图片之后，按快捷键D可以转到下一张图片，快捷键A可以转到上一张图片，按照上述方法对所有图片进行标注。

 标注完成后，打开我们存放标签的文件夹，里面应该是很多txt文件，如果不是txt文件，则原因就是没有选择为YOLO标签。在这个文件夹中，有一个classes.txt文件，存放的是你的标签名字，如我标记完后一共有两类，分别是cat和dog，则我的这个文件中就是cat和dog。之后所有的文件就是所有图片对应的标签，里面是对应的类别和坐标数据，如下：

这个表示，这张图片一共有两个区域被标记，第一个属于第0类，后面是桌标，第二个属于第一类，后面跟坐标。这样就完成了我们整个图片的标记

三、数据集的划分

        在数据上打上标签后，我们需要将数据划分为训练集、验证集和测试集，我参考了另一篇博客，代码直接放下面，大家注意更改地址，改成自己数据的地址。

# 作者：CSDN-笑脸惹桃花 https://blog.csdn.net/qq_67105081?type=blog
# github:peng-xiaobai https://github.com/peng-xiaobai/Dataset-Conversion
import os
import shutil
import random
 
# random.seed(0)  #随机种子，可自选开启
def split_data(file_path, label_path, new_file_path, train_rate, val_rate, test_rate):
	images = os.listdir(file_path)
	labels = os.listdir(label_path)
	images_no_ext = {os.path.splitext(image)[0]: image for image in images}
	labels_no_ext = {os.path.splitext(label)[0]: label for label in labels}
	matched_data = [(img, images_no_ext[img], labels_no_ext[img]) for img in images_no_ext if img in labels_no_ext]
 
	unmatched_images = [img for img in images_no_ext if img not in labels_no_ext]
	unmatched_labels = [label for label in labels_no_ext if label not in images_no_ext]
	if unmatched_images:
		print("未匹配的图片文件:")
		for img in unmatched_images:
			print(images_no_ext[img])
	if unmatched_labels:
		print("未匹配的标签文件:")
		for label in unmatched_labels:
			print(labels_no_ext[label])
 
	random.shuffle(matched_data)
	total = len(matched_data)
	train_data = matched_data[:int(train_rate * total)]
	val_data = matched_data[int(train_rate * total):int((train_rate + val_rate) * total)]
	test_data = matched_data[int((train_rate + val_rate) * total):]
 
	# 处理训练集
	for img_name, img_file, label_file in train_data:
		old_img_path = os.path.join(file_path, img_file)
		old_label_path = os.path.join(label_path, label_file)
		new_img_dir = os.path.join(new_file_path, 'train', 'images')
		new_label_dir = os.path.join(new_file_path, 'train', 'labels')
		os.makedirs(new_img_dir, exist_ok=True)
		os.makedirs(new_label_dir, exist_ok=True)
		shutil.copy(old_img_path, os.path.join(new_img_dir, img_file))
		shutil.copy(old_label_path, os.path.join(new_label_dir, label_file))
	# 处理验证集
	for img_name, img_file, label_file in val_data:
		old_img_path = os.path.join(file_path, img_file)
		old_label_path = os.path.join(label_path, label_file)
		new_img_dir = os.path.join(new_file_path, 'val', 'images')
		new_label_dir = os.path.join(new_file_path, 'val', 'labels')
		os.makedirs(new_img_dir, exist_ok=True)
		os.makedirs(new_label_dir, exist_ok=True)
		shutil.copy(old_img_path, os.path.join(new_img_dir, img_file))
		shutil.copy(old_label_path, os.path.join(new_label_dir, label_file))
	# 处理测试集
	for img_name, img_file, label_file in test_data:
		old_img_path = os.path.join(file_path, img_file)
		old_label_path = os.path.join(label_path, label_file)
		new_img_dir = os.path.join(new_file_path, 'test', 'images')
		new_label_dir = os.path.join(new_file_path, 'test', 'labels')
		os.makedirs(new_img_dir, exist_ok=True)
		os.makedirs(new_label_dir, exist_ok=True)
		shutil.copy(old_img_path, os.path.join(new_img_dir, img_file))
		shutil.copy(old_label_path, os.path.join(new_label_dir, label_file))
	print("数据集已划分完成")
 
if __name__ == '__main__':
	file_path = r"f:\data\JPEGImages"  # 图片文件夹
	label_path = r'f:\data\labels'  # 标签文件夹
	new_file_path = r"f:\VOCdevkit"  # 新数据存放位置
	split_data(file_path, label_path, new_file_path, train_rate=0.8, val_rate=0.1, test_rate=0.1)

        在运行完上述代码后，会在指定的文件夹形成为三个文件夹，分别为train、val、test，里面分别都有image和label，这样数据集就划分完成了。

四、训练模型

        在训练模型之前，我们需要先创建一个.yaml文件来存放我们的数据地址和一些必要的参数，先创建一个文本文件，在里面输入如下代码，并根据自己的数据进行更改，更改完成后把后缀改成.yaml。

train: D:\openCV\data_splited\train\images  
val: D:\openCV\data_splited\val\images 
test: D:\openCV\data_splited\test\images
 
nc: 2
 
# Classes
names: ['cat','dog']

然后再创建一个python文件，命名为main，然后输入下面的代码，进行训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
	model = YOLO('ultralytics/cfg/models/v8/yolov8n.yaml')#用了yolov8
	model.load('D:\openCV\YOLO\pretrain_wight/yolov8n.pt')  #这个为预训练权重的路径
	model.train(data='D:\openCV\YOLO\data.yaml',   #这个填刚才创建的.yaml文件的路径
	            imgsz=512,#将图片归为512*512的
	            epochs=16,
	            batch=64,
	            workers=8,
	            device='cpu',   #没显卡则将0修改为'cpu'
	            optimizer='SGD',
                amp = False,
	            cache=False,   #服务器可设置为True，训练速度变快
	)

训练完成后，会得到一个run\detect\train文件夹，里面会保存训练的权重和一些训练过程。

五、模型测试

from ultralytics import YOLO
# 加载训练好的模型，改为自己的路径
model = YOLO('D:/openCV/YOLO/runs/detect/train2/weights/best.pt')

'''随便选取一张目送或者狗的图片，我选择了一张狗'''
img_root = 'D:/openCV/data_splited/test/images/flickr_dog_000032.jpg'
# 运行推理，并附加参数
model.predict(img_root, save=True)

测试结果如下所示：

        希望这篇文章能够对你有所帮助。