前言：
1.训练在windows进行，因为电脑没有显卡，所以纯cpu训练，生成pt后转onnx
2.onnx转需要在Ubuntu虚拟机上运行
3.数据集标定快捷键
（模型训练时不需要）官方地址和下载pt权重：链接：https://github.com/ultralytics/ultralytics/tree/v8.0.4?tab=readme-ov-file
必须要下载模型，在源码页面找到模型点击下载，推荐下载yolov8n.pt
环境配置
参考链接：(32 封私信 / 80 条消息) yolov8环境配置加训练自己的数据集保姆级教程（2024） - 知乎
yolov8训练自己的目标检测数据集详细介绍版-腾讯云开发者社区-腾讯云
1.安装anaconda Index of /archive
打开anaconda prompt（管理员运行）
conda create -n yolov8 python=3.8 -y 创建环境，建议3.8
conda activate yolov8 激活环境
conda deactivate 退出环境
conda env remove --name yolov8
conda remove --name yolov8 --all 删除环境然后安装pytorch如果安装GPU版本可以用下面命令：pip install torch2.0.0+cu118 torchvision0.15.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118如果安装CPU版本pytorch可以用下面命令：conda install pytorch torchvision torchaudio cpuonly -c pytorch安装yolov8：pip install ultralytics测试 下载yolov8n.pt和随机图片yolo predict model=yolov8n.pt source=test.jpgpip install labelimg //安装labelimg，会自动安装pyqt5，或者在pycharm命令行安装和打开labelimg制作自己的数据集(本人是训练航空发动机划痕和缺陷)
1.新建文件夹
在data文件夹里面新建一个datasets再在里面新建四个文件夹分别是
Annotations（存放xml的文件夹）
images（用来存放原始的需要训练的数据集图片，图片格式为jpg格式）
ImageSets(用来存放将数据集划分后的用于训练、验证、测试的文件)
labels（存放yolo转换的txt文件）。
我用了两个分类
scratch （划痕）
fracture 断裂
使用说明：
（1）Open Dir就是打开需要标注的图片的文件夹，这里就选择images文件夹
（2）change save dir就是标注后保存标记文件的位置，选择需要保存标注信息的文件夹，这里就选择Annotations文件夹
（3）特别注意需要选择好所需要的标注文件的类型。有yolo(txt)， pascalVOC (xml)两种类型。yolo需要txt文件格式的标注文件，但是这里我们选择pascalVOC，后面再将xml格式的标注文件转化为所需的txt格式。
（4）按W键或点击Create\nRectBox开始创建矩形框，把要进行识别训练的区域标记出来就行，选好框后我们选是什么类别（predefined_classes文件，在里面提前写好要训练的类型的原因），整张图片的所有目标都标记好了之后按Ctrl+S或点击Save保存 ，然后切换下一张继续，快捷键为按D键，每一张图片标记后都要保存，这个过程是一个比较繁琐的过程
2.标注
如何预设标签
1.找到anaconda安装的根目录：D:\anaconda
2.进入路径D:\anaconda\Lib\site-packages\labelImg
注意如果你安装其他环境需要对应自己环境，比如我的是py38环境里面则需进去D:\anaconda3\envs\yolov8\Lib\site-packages\labelImg。
3.在此路径里面创建data文件夹，并将自己的predefined_classes.txt文件放入到data文件夹中。
labelImg如何设置多个预设标签
labelImg如何设置多个预设标签_51CTO博客_labelimg标签怎么设置
划分数据集进行训练
博主建议将脚本放在ultralytics文件夹的同级下（我第一次操作没有放到同级目录，一样没问题）
因为在YOLOv8的项目中，存在一个ultralytics文件夹，而我们在配置环境的时候，又有名为ultralytics的环境包，二者存在歧义，导致我们在ultralytics文件夹中进行参数修改后却不生效的情况，（这时如果仍要通过命令行进行训练，必须要在环境配置文件中进行相应修改），比如更改激活函数后，发现得到的PT模型仍为最初的SiLU激活函数，这是因为命令行会优先调用环境配置文件中的参数，所以在ultralytics文件夹中修改激活函数后并不会生效（博主自己踩坑，请大家避免）。
3.最重要的一点：要改激活函数为ReLU(问deepseek说可以不用改，我也没改)，
改激活函数流程如下：把ultralytics/nn/modules/conv.py中的Conv类进行修改，将
default_act = nn.SiLU() # default activation改为
default_act = nn.ReLU() # default activation
对数据集进行划分
import os
import shutil
import randomdef make_yolo_dataset(images_folder, labels_folder, output_folder, train_ratio=0.8):# 创建目标文件夹images_train_folder = os.path.join(output_folder, 'images/train')images_val_folder = os.path.join(output_folder, 'images/val')labels_train_folder = os.path.join(output_folder, 'labels/train')labels_val_folder = os.path.join(output_folder, 'labels/val')os.makedirs(images_train_folder, exist_ok=True)os.makedirs(images_val_folder, exist_ok=True)os.makedirs(labels_train_folder, exist_ok=True)os.makedirs(labels_val_folder, exist_ok=True)# 获取图片和标签的文件名（不包含扩展名）image_files = [f for f in os.listdir(images_folder) if f.endswith('.jpg')]label_files = [f for f in os.listdir(labels_folder) if f.endswith('.txt')]image_base_names = set(os.path.splitext(f)[0] for f in image_files)label_base_names = set(os.path.splitext(f)[0] for f in label_files)# 找出图片和标签都存在的文件名matched_files = list(image_base_names & label_base_names)# 打乱顺序并划分为训练集和验证集random.shuffle(matched_files)split_idx = int(len(matched_files) * train_ratio)train_files = matched_files[:split_idx]val_files = matched_files[split_idx:]# 移动文件到对应文件夹for base_name in train_files:img_src = os.path.join(images_folder, f"{base_name}.jpg")lbl_src = os.path.join(labels_folder, f"{base_name}.txt")img_dst = os.path.join(images_train_folder, f"{base_name}.jpg")lbl_dst = os.path.join(labels_train_folder, f"{base_name}.txt")shutil.copyfile(img_src, img_dst)shutil.copyfile(lbl_src, lbl_dst)for base_name in val_files:img_src = os.path.join(images_folder, f"{base_name}.jpg")lbl_src = os.path.join(labels_folder, f"{base_name}.txt")img_dst = os.path.join(images_val_folder, f"{base_name}.jpg")lbl_dst = os.path.join(labels_val_folder, f"{base_name}.txt")shutil.copyfile(img_src, img_dst)shutil.copyfile(lbl_src, lbl_dst)print("数据集划分完成！")# 使用示例
images_folder = r'E:\Projects\ultralytics_yolov8-main\data\images' # 原始图片文件夹路径
labels_folder = r'E:\Projects\ultralytics_yolov8-main\data\Annotations' # 原始标签文件夹路径
output_folder = r'E:\Projects\ultralytics_yolov8-main\data\ImageSets' # 存放结果数据集的文件夹路径
make_yolo_dataset(images_folder, labels_folder, output_folder)开始训练模型
在yolov8根目录下（也就是官方源码的ultralytics-main目录下）创建一个新的data.yaml文件，也可以是其他名字的例如mydata.yaml文件，文件名可以变但是后缀需要为.yaml，内容如下
train: E:\Projects\ultralytics_yolov8-main\data\ImageSets\images\train # train images (relative to 'path') 128 images
val: E:\Projects\ultralytics_yolov8-main\data\ImageSets\images\val # val images (relative to 'path') 128 images
test: E:\Projects\ultralytics_yolov8-main\data\ImageSets\images\testnc: 2# Classes
names: ['scratch','fracture']训练模型
这是使用官方提供的预训练权重进行训练，使用yolov8n.pt，也可以使用yolov8s.pt，模型大小n
新建个train.py文件
from ultralytics import YOLO
#多线程添加代码
if __name__ == '__main__': model = YOLO('yolov8n.yaml').load('yolov8n.pt')# # 训练模型 GPU#results = model.train(data='data.yaml', epochs=100, imgsz=640, device=0, workers=2, batch=16, optimizer='SGD', amp=False)# 训练模型 CPUresults = model.train(data='data.yaml', epochs=100, imgsz=640, device='cpu', workers=2, batch=16, optimizer='SGD',amp=False)epochs是训练轮数，可以由少变多看训练效果，workers和batch根据电脑性能来，如果运行不起来则相应降低，最好为2的n次方。
也可以使用命令行执行训练 yolo task=detect mode=train model=yolov8n.yaml pretrained=yolov8n.pt data=data.yaml epochs=100 imgsz=640 device=0 workers=2 batch=16 训练完成后会在源码目录runs里面有模型生成，可以进去weights文件夹找到best.pt或者last.pt模型
查看模型激活函数方法如下所示：
from ultralytics import YOLO# 加载自定义训练的模型
model = YOLO("runs/detect/train/weights/best.pt")# 打印模型结构（查找激活函数）
print(model.model)首先罗列一下官网提供的全部参数：Model Training with Ultralytics YOLO - Ultralytics YOLO Docs
一些比较常用的传参：
| key | 解释 |
| model | 传入的model.yaml文件或者model.pt文件，用于构建网络和初始化，不同点在于只传入yaml文件的话参数会随机初始化 |
| data | 训练数据集的配置yaml文件 |
| epochs | 训练轮次，默认100 |
| patience | 早停训练观察的轮次，默认50，如果50轮没有精度提升，模型会直接停止训练 |
| batch | 训练批次，默认16 |
| imgsz | 训练图片大小，默认640 |
| save | 保存训练过程和训练权重，默认开启 |
| save_period | 训练过程中每x个轮次保存一次训练模型，默认-1（不开启） |
| cache | 是否采用ram进行数据载入，设置True会加快训练速度，但是这个参数非常吃内存，一般服务器才会设置 |
| device | 要运行的设备，即cuda device =0或Device =0,1,2,3或device = cpu |
| workers | 载入数据的线程数。windows一般为4，服务器可以大点，windows上这个参数可能会导致线程报错，发现有关线程报错，可以尝试减少这个参数，这个参数默认为8，大部分都是需要减少的 |
| project | 项目文件夹的名，默认为runs |
| name | 用于保存训练文件夹名，默认exp，依次累加 |
| exist_ok | 是否覆盖现有保存文件夹，默认Flase |
| pretrained | 是否加载预训练权重，默认Flase |
| optimizer | 优化器选择，默认SGD，可选[SGD、Adam、AdamW、RMSProP] |
| verbose | 是否打印详细输出 |
| seed | 随机种子，用于复现模型，默认0 |
| deterministic | 设置为True，保证实验的可复现性 |
| single_cls | 将多类数据训练为单类，把所有数据当作单类训练，默认Flase |
| image_weights | 使用加权图像选择进行训练，默认Flase |
| rect | 使用矩形训练，和矩形推理同理，默认False |
| cos_lr | 使用余弦学习率调度，默认Flase |
| close_mosaic | 最后x个轮次禁用马赛克增强，默认10 |
| resume | 断点训练，默认Flase |
| lr0 | 初始化学习率，默认0.01 |
| lrf | 最终学习率，默认0.01 |
| label_smoothing | 标签平滑参数，默认0.0 |
| dropout | 使用dropout正则化(仅对训练进行分类)，默认0.0 |
模型测试
找到之前训练的结果保存路径，创建一个predict.py文件，内容如下
from ultralytics import YOLO
# 加载训练好的模型，改为自己的路径
model = YOLO('runs/detect/train/weights/best.pt')
# 修改为自己的图像或者文件夹的路径
source = 'test.jpg' #修改为自己的图片路径及文件名
# 运行推理，并附加参数
model.predict(source, save=True)模型转换
参考链接：【YOLOv8部署至RK3588】模型训练→转换RKNN→开发板部署_yolov8转rknn-CSDN博客
需要以下工具：ultralytics_yolov8、rknn_model_zoo、rknn-toolkit2，现在详细介绍这三者的关系。
以上三个文件均与模型训练无关，而是用于模型转换的，其中，ultralytics_yolov8文件不是必需的，但最好还是下载一份，原因后面会讲；在此，先将以上三个文件的链接放在这：
ultralytics_yolov8：https://github.com/airockchip/ultralytics_yolov8
rknn_model_zoo：https://github.com/airockchip/rknn_model_zoo
rknn-toolkit2：https://github.com/airockchip/rknn-toolkit2
另外说一下这三个文件的版本，全用最新的，rknn_model_zoo用v2.3.2，rknn-toolkit2也用v2.3.2，ultralytics_yolov8只有一个main版本，直接用即可
转换步骤：
1.修改ultralytics_yolov8项目中的ultralytics/cfg/default.yaml，将其中的model参数路径改成你训练得到的的best.pt模型路径
在虚拟环境下，装转换需要的环境
cd ultralytics-main
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -e .
pip install onnx新建一个脚本文件：运行后会在 runs\detect\train\weights下生成best.onnx文件
#这里好像是后期转换rknn，需要导出这样的
from ultralytics import YOLO# Load a model
model = YOLO(r'E:\Projects\ultralytics_yolov8-main\data\runs\detect\train\weights\best.pt')
# Export the model
model.export(format='rknn',opset=12)#后期直接用onnx，好像用下面的
from ultralytics import YOLO# Load a model
model = YOLO(r'E:\Projects\ultralytics_yolov8-main\data\runs\detect\train\weights\best.pt')# 2. 导出为 ONNX
model.export(format="onnx", opset=12, dynamic=False, simplify=True, imgsz=640)
print("ONNX 模型导出完成！")同时生成onnx文件，这样生成的模型output是4维的，后面可以直接转换成rknn。
如果不在rk3588上用，只用onnx文件，之前测试和使用的模型是output都是三维的，所以上面的代码是可以生成两种不同的额模型
onnx转rknn需要再Ubuntu虚拟机下转换，篇幅限制，下节再讲
