训练yolov8n-2

发表于 更新于

yolov8训练细化

命令：yolo detect train model=yolov8n.pt data=coco128.yaml epochs=50 imgsz=640 device=0 batch=64 workers=8 name=rk3566_test

1.yolo detect train

  • 含义：告诉程序我要做 目标检测 (detect) 任务，并且模式是 训练 (train)。
  • 注：如果你只是想看效果而不是训练，这里会变成 predict。
  1. model=yolov8n.pt (关键点 🌟)
  • 含义：指定使用 YOLOv8 Nano (n) 版本的预训练权重作为起点。
  • 对 RK3566 的意义：
    • YOLOv8 有 5 个版本：n (Nano), s (Small), m (Medium), l (Large), x (Extra Large)。
    • 你必须选 n。因为 RK3566 的算力只有 0.8 ~ 1.0 TOPS。
    • yolov8n 可以在 RK3566 上跑 20~30 FPS。
    • 如果你选了 yolov8s 或更大的，板子跑起来可能只有 5 FPS 甚至更低，卡成 PPT。
  1. data=coco128.yaml
  • 含义：指定数据集的配置文件。
  • 解释：coco128.yaml 是官方自带的一个微型数据集（只有 128 张图），通常用来测试环境有没有配好。
  • 实际使用：当你训练自己的数据（比如识别“插座”、“拖鞋”）时，你需要把它换成你自己写的 my_dataset.yaml。
  1. epochs=50
  • 含义：训练轮数。意思是把所有图片反复看 50 遍。
  • 调整建议：正式训练通常设为 100 到 300。轮数太少学不会，轮数太多会过拟合（死记硬背）。
  1. imgsz=640 (关键点 🌟)
  • 含义：训练时的图片输入分辨率是 640x640。
  • 对 RK3566 的意义：
    • 这个数字必须和你的 C++ 代码 (#define INPUT_SIZE 640) 以及 RKNN 转换脚本 里的设置保持一致！
    • 如果你这里改成了 320，那么你的模型会变小，跑得更快（可能 50 FPS），但看小物体会看不清。640 是一个平衡点。
  1. device=0
  • 含义：使用第 0 号 GPU（显卡）进行训练。
  • 前提：你的电脑上必须装了 NVIDIA 显卡和 CUDA 环境。如果没有显卡，要写 device=cpu（但这会慢到让你怀疑人生）。
  1. batch=64
  • 含义：批大小。一次性塞 64 张图给显卡去算。
  • 硬件限制：这取决于你显卡的显存（VRAM）。
    • 如果你的显卡是 RTX 3090 (24G)，可以开 batch=128。
    • 如果是 GTX 1060 (6G)，可能只能开 batch=16 或 32。如果报错 “Out of Memory (OOM)”，就把这个数改小。
  1. workers=8
  • 含义：使用 8 个 CPU 线程来搬运数据。
  • 作用：加快读取图片的速度，防止显卡闲着等数据。通常设置为你 CPU 核心数的一半。
  1. name=rk3566_test
  • 含义：给这次训练起个名字。
  • 结果：训练完成后，结果会保存在 runs/detect/rk3566_test/ 目录下。你需要的 best.pt 就在那里。

数据集标注

标注工具：LabelImg

标注格式： 要选 YOLO 格式。生成的标注文件是 .txt，长这样： 0 0.45 0.55 0.1 0.2 (类别ID, 中心x, 中心y, 宽, 高)

目录结构（YOLO 必须严格遵守这个结构）：

1
2
3
4
5
6
7
8
my_robot_data/
├── data.yaml          <-- 配置文件（下面教你怎么写）
├── images/
│   ├── train/         <-- 也就是 80% 的图片放这里
│   └── val/           <-- 剩下 20% 的图片放这里（验证集）
└── labels/
    ├── train/         <-- 对应的 txt 标注文件
    └── val/           <-- 对应的 txt 标注文件

data.yaml： 这个文件告诉 YOLO 你的数据在哪里，有哪些类。

1
2
3
4
5
6
7
8
9
path: /绝对路径/my_robot_data  # 数据集根目录
train: images/train
val: images/val

# 类别数量
nc: 3

# 类别名称 (顺序必须和标注时的一致！)
names: ['wire', 'slipper', 'dock']

运行训练命令:

1
2
3
4
5
6
7
8
9
yolo detect train \
model=yolov8n.pt \       # 必须用 n (Nano) 版，为了板子跑得快
data=my_robot_data/data.yaml \  # 指向刚才写的配置
epochs=100 \             # 训练 100 轮
imgsz=640 \
rect=True \              # 必须固定 640，对应你板子上的代码
batch=16 \               # 显存够大就改 32 或 64
device=0 \               # 用显卡训练
name=robot_v1            # 任务名字

导出模型：

# 只有在导出这一步，才需要显式地写出 480,640 yolo export model=runs/detect/robot_rect_v1/weights/best.pt format=onnx imgsz=480,640