概述    

    本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个一统（分类、检测、分割且多种模型）的框架。下面以检测为例。

    安装，官方提供了完整的安装方式：Quickstart - Ultralytics YOLOv8 Docs 如果希望不安装直接使用，参考本文第七节。 

详细

1、标注

        准备自己的数据，数据的标注格式和YOLOV5没有分别，一般工业还是需要使用如labelme等标注，格式为coco格式（class_id x y w x）xywx均需要归一化，类别号从0开始，一个框一行。

2、目录的组织形式：

        低阶使用， 可无痛迁移YOLO6 YOLOv7

        以“images” 命名图片路径，标签路径仅仅是将“images” 变为“labels”；代码自动对应images和labels，所以一张图片的标签需要和图片同名（如果没有对应的label 就是认为是背景图，没有目标）。

        高阶使用， YOLOV6 YOLOv7 当前某些方式不支持。

        20230116 主要的源码路径为：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/data/dataloaders/v5loader.py

函数“LoadImages”用于推理，函数“LoadImagesAndLabels” 用于训练，但是并没有统一支持的数据目录存放格式。

        1）使用文件夹（列表）文件夹存储所有的训练图片（由于磁盘文件系统，单个文件夹文件过多影响吞吐速度）。

单个文件夹对应配置文件的写法

path: ../datasets/VOC
train: # train images (relative to 'path')
  - images/train2007
val: # val images (relative to 'path')
  - images/test2007
test: # test images (optional)
  - images/test2007

多个文件夹对应配置文件的写法

path: ../datasets/VOC
train: # train images (relative to 'path')
  - images/train2012
  - images/train2007
val: # val images (relative to 'path')
  - images/test2007
test: # test images (optional)
  - images/test2007

2）使用文本文件（列表）存储图片

单个文本文件对应配置文件的写法

path: ../datasets/VOC
train: # train images (relative to 'path')
  - train2017.txt
val: # val images (relative to 'path')
  - val2017.txt
test: # test images (optional)
  - test-dev2017.txt

多个文本文件对应配置文件的写法（目前20230116仅detect 推理支持，训练不支持，需要修改源码）

path: ../datasets/VOC
train: # train images (relative to 'path')
  - train2017.txt
  - train2012.txt
val: # val images (relative to 'path')
  - val2017.txt
test: # test images (optional)
  - test-dev2017.txt

参考源代码：

1）函数“LoadImages”用于推理

注意：

*可以为多个文件夹路径，为相对路径

*文件名列表文本文件只支持一个文本文件，路径为绝对路径

*可以同时存在一个文本文件+若干目录

2）函数“LoadImages”用于训练和评测

注意：

*可以为多个文件夹路径，为相对路径

*可以为多个文件名列表文本文件，路径为：绝对路径，或者相对路径但是是相对文本文件的路径！

*可以同时存在若干文本文件+若干目录

3、编写data yaml 文件

可以参考：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/data/datasets/coco128.yaml

4、编写模型yaml 文件 或者用预训练模型

    这里的yaml 文件其实就是利用现有的模型组件重新搭建一个新的网络，可以参照如下，或者简单就用预训练的模型（只需要改为yolov8n.pt）。官方配置文件：ultralytics/yolov8n.yaml at main · ultralytics/ultralytics · GitHub

5、编写训练参数文件（可选、高阶）

    官方终于把所有的配置项目全部解耦到配置文件，不再像YOLOV5一样，一部分在配置文件，一部分在train.py 的启动参数中。主要修改如下三个大的代码段。其中有个需要注意的代码段就是“close_mosaic”这个参数，关于这个的讨论见我的另一个文章：yolov5 mosaic相关，目前要实现一个改进的mosaic，预计后续后评测效果后会考虑开源。官方配置文件：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/configs/default.yaml。

    Note:

    *如果你用的Python 接口，那么目前20230116官方无法直接传参进去修改这个配置文件或者引用新的配置文件，是写死的（下面第一张图）。https://github.com/ultralytics/ultralytics/blob/4962733b49d45e1ae6e7b3ca367e9af9756758bc/ultralytics/yolo/utils/__init__.py

    *如果是cli接口，那么可以复写这个配置文件，下面第二、三张图。https://github.com/ultralytics/ultralytics/blob/c42e44a0211881b661b47050ac2727658078497d/docs/cli.md

    *当然常用的修改参数也是可以传参修改的，见：Configuration - Ultralytics YOLOv8 Docs，下面第四、五张图。 Detection - Ultralytics YOLOv8 Docs。

    *个人还是建议通过配置文件的方式管理训练过程，这样可以快速的追溯每一个实验。 完整的命令就是：

 yolo task=init  # 可选，复制一份默认配置到当前目录供修改。

 yolo  data=coco128.yaml model=yolov8n.pt  cfg=exp1.yaml #一旦用了cfg参数 命令行的task=detect、 mode=train 当前版本不再生效

6、训练脚本

7、高阶使用

        如果你想改源码，或者不希望通过pip 的方式，污染环境，还是希望安装源码，然后python xxxx.py 运行。那么需要：

1）git clone 源码

2）新建（复制）一个自己的调用脚本。

源码链接：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/cli.py。复制到根目录 。

3）根目录正常调用 python cli.py cfg=/home/xxx/…/exp1.yaml 这个yaml 就是https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/configs/default.yaml。

原理：

        其实官方也是通过这两个文件完成的打包和调用，主要就是这句话：

1）https://github.com/ultralytics/ultralytics/blob/main/setup.py

2）https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/cli.py