模型训练

通过深度学习网络可以从大量数据中学习数据特征，从而应用于各种检测，分割任务。想要使用深度学习解决具体问题，必须了解如何通过已知数据进行网络模型的训练。因此我们首先讲解了如何训练深度学习神经网络。本节的内容如下：

在本地进行模型训练
在云端进行模型训练
制作自己的训练集

在本地进行模型训练

本小节介绍如何在个人PC上进行模型训练，您需要拥有以下硬件：

一台带有英伟达显卡的笔记本或台式机，安装Windows系统(如果您的电脑并不含有英伟达显卡，那么我们建议您使用云端进行模型训练。)

请安装Anaconda软件用来管理您的python环境。Anaconda有Windows,Max,Linux三个版本可以选择，请根据您的系统选择对应的版本。

安装VScode作为您的代码编辑软件。

使用anaconda创建我们训练模型要使用的环境：

下面打开Anaconda Propmt

输入以下命令，进入工作命令，激活环境，打开vscode（注意，将工作目录和环境名称替换成你自己的相应的名称）。

在Terminal里输入以下命令：

pip install ultralytics
git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .

完成后输入

pip uninstall torch torchvision

卸载后安装GPU适用的torch版本

安装前请查看您显卡所安装的cuda驱动，安装对应cuda版本的pytorch及torchvision。例如，我的cuda版本高于12.1,所以我安装

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

这时你已经完成了模型训练所需的所有环境配置，下面就可以愉快的训练模型了😊。

训练模型需要执行以下命令：

yolo train detect model=yolov8n.pt data=coco128.yaml imgsz=192 epochs=100

其中，model为你所需要训练的模型路径，目前的Grove Vision V2只支持yolov8n.pt的部署，所以请选择yolov8n.pt。

data为模型训练所需训练集的路径，在这里我们使用一个很小的数据集作为测试，在本节的后面会讲解如何创建训练集进行训练。另外我们实现了coco数据集的自定义部分标签训练，您可以按照自己的喜好以及用途选择特定标签进行训练，实现更灵活的推理功能。

imgsz为模型输入接受的图像大小，这里必须为192

epochs为训练的次数，一般来说，训练次数越多，模型与数据拟合程度越好。

训练结束后，您可以在命令行显示的模型保存的位置找到您训练后的模型（例如我的模型保存在runs\detect\train3）

在云端进行模型训练

如果您的电脑不带有英伟达显卡，那么很可惜您无法在本地进行模型训练，不过您可以在云端进行模型训练，两种训练方法得到的模型效果是相同的。

我们使用ultralytics进行云端模型训练。以下是 Ultralytics HUB 的链接，打开链接，你就可以看到它的介绍和使用教程。

要使用 Ultralytics HUB，你需要一个 github 账户或谷歌账户或苹果账户。

ultralytics hub支持训练用户自己的数据集，如何制作并上传数据集请查看之后章节。

设置高级模型配置（Advanced Model Configuration），如果以后使用 Google Colab 进行模型训练，建议将 Epochs 改为 30，因为虽然 Google Colab 是免费的，但使用有时间限制，30 次训练约为 2 小时，正好在时间限制范围内。如果要在 Grove Vision V2 模块上部署模型，还需要将图像大小改为 192，这更符合我们的实际应用场景。

此外，使用 Google Colab 还需要 Google 邮箱。

制作自己的训练集

如果您想要对开源数据集之外的标签进行检测，那么您需要自己制作数据集。数据集应该包括图像和对应标签。

下面是yolov8指定的数据集格式

我们使用Make Sense在线数据标注工具来完成训练集制作过程：

有关如何使用Make Sense，可以参考：

当您完成了数据集标签的标注，您需要将图像和标签数据合并起来，构成一个完整的数据集。

数据集需要满足以下格式：

您需要把Make Sense生成的标签数据拷贝到相应的位置。比如您标记了用于训练的标签数据，那么训练所需的图像应该位于images/train，而标签数据应该位于labels/train。另外您需要编写一个dataset.yaml文件。该文件需要放在dataset目录下，文件内容为：

（！注意：dataset.yaml命名要与文件夹命名相一致，否则数据集上传到ultralytics时会遇到问题）

train: images/train
val: images/val
test: images/test

names:
  0: class_one
  1: class_two
  2: class_three

names需要和Make Sense标注时的标签相对应。

如果您在本地进行训练，建议您将train，val，test的路径修改为绝对路径，而在云端训练则不需要。

到此步骤您已经可以使用制作好的数据集进行模型训练了，只需要将

yolo train detect model=yolov8n.pt data=coco128.yaml imgsz=192 epochs=100

中的“data=coco128.yaml”路径改为您制作的数据集中dataset.yaml即可。

如果您在云端进行训练，那么您需要将数据集上传到ultralytics hub上，上传过程非常简单：

这样Ultralytics HUB中就存有了您的数据集，您此时便可以使用您自己的数据集进行模型训练。

Previous深度开发应用AI视觉模块 Next模型量化

Last updated 8 months ago

Was this helpful?