YOLOv8 自訓練指南

 YOLOv8 自訓練指南

YOLOv8 是一個多功能的 AI 視覺處理平台，不僅可用於物件偵測，還能處理圖像分類、分割、追蹤，以及姿態估計等任務。以下介紹 YOLOv8 自訓練時可使用的工具與相關流程。

---

1. 資料標記工具

• Roboflow：線上數據管理平台，提供圖像標註、數據清理、轉換和管理功能，可輸出 YOLO 格式數據，並支援資料增強。

• LabelImg：本地端圖像標註工具，可安裝於電腦並進行標註。

• Labelme：適用於圖像分割任務，能產生 Mask 圖像。

• Label Studio：開源數據標記工具，提供簡單 UI，支援圖像與影片標記。

• CVAT：互動式影片與圖像標註工具。

• Makesense.ai：免費線上標記工具，瀏覽器即可使用。

---

2. 資料集準備

• 資料夾結構：YOLOv8 的資料集通常包含以下資料夾：

  • train/：存放訓練圖片與標籤檔。

  • valid/：存放驗證圖片與標籤檔。

  • test/ (非必要)：存放測試圖片與標籤檔。

  • 各資料夾內需有 images/ (圖片) 與 labels/ (標籤檔)。

• 標籤格式：使用 YOLOv5 PyTorch TXT 格式，標籤檔以 TXT 格式儲存，包含類別與邊界框資訊。

• 資料分割：圖片分割比例通常為 8:2 (訓練集:驗證集) 或其他適當比例。

---

3. YAML 參數設定檔

data.yaml 用於描述資料集位置與類別資訊，包含以下內容：

path: /path/to/dataset
train: train/images
val: valid/images
test: test/images  # 非必要
nc: 類別數量
names: ['class1', 'class2', 'class3']

---

4. 模型訓練

• 選擇模型：

  • yolov8n (nano) - 適合資源受限環境。

  • yolov8s (small) - 速度與精度均衡。

  • yolov8m (medium) - 適合中等規模應用。

  • yolov8l (large) - 高精度模型。

  • yolov8x (extra-large) - 最精確但計算需求最高。

• 訓練方式：

  • 命令行模式：

    yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640

  • Python 程式碼模式：

    from ultralytics import YOLO
    model = YOLO('yolov8n.pt')
    model.train(data='data.yaml', epochs=100, imgsz=640)

• 訓練參數：

  • data：資料集 YAML 檔路徑。

  • model：選擇的 YOLOv8 預訓練模型。

  • epochs：訓練輪數。

  • imgsz：輸入圖像大小。

  • device：使用 CPU 或 GPU。

  • batch：批次大小。

  • workers：數據加載器的工作數。

---

5. 模型驗證與測試

• 驗證：

  • 訓練過程中，模型會定期在驗證集上評估性能，以調整參數並防止過擬合。

• 測試：

  • 訓練完成後，使用測試集評估最終性能。

• 測試方式：

  • 命令行模式：

    yolo detect predict model=best.pt source=test/images

  • Python 程式碼模式：

    results = model.predict(source='test/images')

• 輸出結果：

  • 包含帶有邊界框的圖像、標籤資訊與效能指標。

---

6. Ultralytics HUB

Ultralytics HUB 是一個 AI 平台，支援創建、訓練與部署機器學習模型，並可與 Roboflow 結合，方便管理數據與分析結果。

---

總結

YOLOv8 提供完整的自訓練流程，從資料標註到模型訓練與測試，均有相應工具可使用。

• Roboflow 簡化資料標註與準備流程。

• Ultralytics HUB 協助模型管理與部署。

• 多種訓練方式 可依需求選擇命令行或 Python API。

使用者可根據需求選擇適合的工具與流程來訓練 YOLOv8 模型。