阅读量:4
1.数据准备
首先对原始数据集进行整理，将标注好的图像和标签分别放在两个文件夹中，同时额外新建两个文件夹，用于存放转换完的标签与划分后的数据集。
1.1将json格式文件转换为txt格式
新建json2txt.py文件，将代码中的文件路径修改为自己的路径。
❗❗❗代码中第43行的classes中存放的是自己数据集的分类标签，记得修改成自己的。
import json import os from tqdm import tqdm def convert_label(json_dir, save_dir, classes): json_paths = os.listdir(json_dir) classes = classes.split(',') for json_path in tqdm(json_paths): path = os.path.join(json_dir, json_path) with open(path, 'r') as load_f: json_dict = json.load(load_f) h, w = json_dict['imageHeight'], json_dict['imageWidth'] # save txt path txt_path = os.path.join(save_dir, json_path.replace('json', 'txt')) txt_file = open(txt_path, 'w') for shape_dict in json_dict['shapes']: label = shape_dict['label'] label_index = classes.index(label) points = shape_dict['points'] points_nor_list = [] for point in points: points_nor_list.append(point[0] / w) points_nor_list.append(point[1] / h) points_nor_list = list(map(lambda x: str(x), points_nor_list)) points_nor_str = ' '.join(points_nor_list) label_str = str(label_index) + ' ' + points_nor_str + '\n' txt_file.writelines(label_str) if __name__ == "__main__": json_dir = 'E:/segmentation_dataset/json' save_dir = 'E:/segmentation_dataset/txt' classes = 'material,inner_material,hole' convert_label(json_dir, save_dir, classes) 1.2划分数据集
新建splitDataset.py，将代码中的文件路径修改为自己的路径。
数据集的划分比例可以按自己的需求修改。
import shutil import random import os # 检查文件夹是否存在 def mkdir(path): if not os.path.exists(path): os.makedirs(path) def split(image_dir, txt_dir, save_dir): # 创建文件夹 mkdir(save_dir) images_dir = os.path.join(save_dir, 'images') labels_dir = os.path.join(save_dir, 'labels') img_train_path = os.path.join(images_dir, 'train') img_test_path = os.path.join(images_dir, 'test') img_val_path = os.path.join(images_dir, 'val') label_train_path = os.path.join(labels_dir, 'train') label_test_path = os.path.join(labels_dir, 'test') label_val_path = os.path.join(labels_dir, 'val') mkdir(images_dir) mkdir(labels_dir) mkdir(img_train_path) mkdir(img_test_path) mkdir(img_val_path) mkdir(label_train_path) mkdir(label_test_path) mkdir(label_val_path) # 数据集划分比例，训练集75%，验证集15%，测试集15%，按需修改 train_percent = 0.8 val_percent = 0.1 test_percent = 0.1 total_txt = os.listdir(txt_dir) num_txt = len(total_txt) list_all_txt = range(num_txt) # 范围 range(0, num) num_train = int(num_txt * train_percent) num_val = int(num_txt * val_percent) num_test = num_txt - num_train - num_val train = random.sample(list_all_txt, num_train) # 在全部数据集中取出train val_test = [i for i in list_all_txt if not i in train] # 再从val_test取出num_val个元素，val_test剩下的元素就是test val = random.sample(val_test, num_val) print("训练集数目：{}, 验证集数目：{},测试集数目：{}".format(len(train), len(val), len(val_test) - len(val))) for i in list_all_txt: name = total_txt[i][:-4] srcImage = os.path.join(image_dir, name + '.jpg') srcLabel = os.path.join(txt_dir, name + '.txt') if i in train: dst_train_Image = os.path.join(img_train_path, name + '.jpg') dst_train_Label = os.path.join(label_train_path, name + '.txt') shutil.copyfile(srcImage, dst_train_Image) shutil.copyfile(srcLabel, dst_train_Label) elif i in val: dst_val_Image = os.path.join(img_val_path, name + '.jpg') dst_val_Label = os.path.join(label_val_path, name + '.txt') shutil.copyfile(srcImage, dst_val_Image) shutil.copyfile(srcLabel, dst_val_Label) else: dst_test_Image = os.path.join(img_test_path, name + '.jpg') dst_test_Label = os.path.join(label_test_path, name + '.txt') shutil.copyfile(srcImage, dst_test_Image) shutil.copyfile(srcLabel, dst_test_Label) if __name__ == '__main__': image_dir = 'E:/segmentation_dataset/images' txt_dir = 'E:/segmentation_dataset/txt' save_dir = 'E:/segmentation_dataset/dataset' split(image_dir, txt_dir, save_dir) 运行完后得到如下文件：
dataset中分别存放有划分好的图片数据和标注数据。
到此，数据集制作完毕！
2.训练设置
2.1新建segmentation.yaml文件
按照如下格式在yolov8工程的datasets文件夹下进行新建，路径修改为自己的路径，对应的分类标签也修改为自己的。
train: E:\segmentation_dataset\dataset\images\train # train images (relative to 'path') 128 images val: E:\segmentation_dataset\dataset\images\val # val images (relative to 'path') 128 images test: E:\segmentation_dataset\dataset\images\test # test images (optional) # Classes names: 0: material 1: inner_material 2: hole 2.2训练参数设置
配置参数如下图所示：
以上常用参数解释如下：
📌task：选择任务类型，可选['detect', 'segment', 'classify', 'pose']。
📌mode: 选择是训练、验证、预测和导出模型等，可选['train', 'val', 'predict', 'export', 'track', 'benchmark']。
📌model: 选择yolov8不同的模型配置文件，可选yolov8s-seg.pt、yolov8m-seg.pt、yolov8x-seg.pt等（提供了n、s、m、l、x版本，随着架构的增大，训练时间也是逐渐增大，需要根据自身设备硬件配置合理选择）。
❗❗❗注意model最好去github上提前下载好，放在如图所示的指定位置，如果没提前下载运行时会自动下载，但是下载速度可能非常非常慢。
yolov8官方权重下载地址：
https://github.com/ultralytics/ultralytics?tab=readme-ov-file📌data: 选择生成的数据集配置文件。
📌epochs：训练过程中整个数据集的迭代次数。
📌batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch，提示爆显存就需要调小一点。
📌imgsz：输入图片的尺寸大小。
📌workers：用于数据加载的工作线程数。
📌project：训练工程名称。
📌name：保存训练结果的文件夹名称。
📌resume：从最后一个检查点恢复训练，即模型训练的断点接续，可选False或True。
完成配置后，开始进行训练即可！
另外，如果有想了解yolov8目标检测数据集制作以及YOLOv8目标检测 opencv模型部署的小伙伴可以移步我的其他文章
