企业官网建设流程全解析

如何使用 YOLOv8 训练工程车航拍数据集的详细步骤。这个数据集包含 1260 张航拍工程车图片，标注文件为 VOC 和 YOLO 格式，可以直接用于模型训练。我们将详细介绍如何整合这些数据集，并使用 YOLOv8 进行训练。

一、数据准备

1. 数据集结构
   假设你的数据集已经按照 YOLO 格式组织，并且结构如下：

深色版本
construction_vehicle_dataset/
├── images/
│ ├── train/
│ │ ├── 000001.jpg
│ │ ├── 000002.jpg
│ │ └── …
│ └── val/
│ ├── 000001.jpg
│ ├── 000002.jpg
│ └── …
├── labels/
│ ├── train/
│ │ ├── 000001.txt
│ │ ├── 000002.txt
│ │ └── …
│ └── val/
│ ├── 000001.txt
│ ├── 000002.txt
│ └── …
└── construction_vehicle.yaml
images/ 目录包含输入图像。
labels/ 目录包含对应的标注文件，每个标注文件中的每一行表示一个目标框，格式为 class_id x_center y_center width height。
construction_vehicle.yaml 是数据集的配置文件。
2. 配置文件
创建一个 construction_vehicle.yaml 文件，内容如下：

yaml
深色版本

数据集路径

path: ./construction_vehicle_dataset

类别名称

names:
0: construction_vehicle

数据集划分

train: images/train
val: images/val
二、安装依赖
确保你已经安装了 YOLOv8 所需的依赖。可以使用以下命令安装：

bash
深色版本
pip install ultralytics
三、训练模型

1. 导入库
   python
   深色版本
   import torch
   from ultralytics import YOLO
2. 加载模型
   python
   深色版本

加载预训练的YOLOv8s模型

model = YOLO(‘yolov8s.yaml’)
3. 配置训练参数
python
深色版本

配置训练参数

model.train(
data=‘construction_vehicle.yaml’, # 数据集配置文件
epochs=100, # 训练轮数
imgsz=640, # 输入图像大小
batch=16, # 批量大小
name=‘construction_vehicle_detection’, # 训练结果保存的文件夹名称
device=‘cuda’ # 使用GPU进行训练
)
四、评估模型
训练完成后，可以使用验证集来评估模型的性能。

python
深色版本

评估模型

results = model.val(data=‘construction_vehicle.yaml’, imgsz=640, batch=16, device=‘cuda’)

打印评估结果

print(results)
五、保存模型
训练完成后，模型会自动保存到指定的文件夹中。你也可以手动保存模型：

python
深色版本

保存模型

model.save(‘construction_vehicle_detection_model.pt’)
六、完整代码
将上述所有步骤整合成一个完整的脚本：

python
深色版本
import torch
from ultralytics import YOLO

加载预训练的YOLOv8s模型

model = YOLO(‘yolov8s.yaml’)

配置训练参数

model.train(
data=‘construction_vehicle.yaml’, # 数据集配置文件
epochs=100, # 训练轮数
imgsz=640, # 输入图像大小
batch=16, # 批量大小
name=‘construction_vehicle_detection’, # 训练结果保存的文件夹名称
device=‘cuda’ # 使用GPU进行训练
)

评估模型

results = model.val(data=‘construction_vehicle.yaml’, imgsz=640, batch=16, device=‘cuda’)

打印评估结果

print(results)

保存模型

model.save(‘construction_vehicle_detection_model.pt’)
七、运行脚本
将上述代码保存为一个 Python 脚本文件（例如 train_construction_vehicle_detection.py），然后在命令行中运行：

bash
深色版本
python train_construction_vehicle_detection.py
八、数据增强代码

1. 数据增强脚本
   python
   深色版本
   import albumentations as A
   import cv2
   import os

def augment_image(image_path, label_path, output_dir, num_augments=5):
transform = A.Compose([
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.2),
A.RandomGamma(p=0.2),
A.RandomRotate90(p=0.5),
A.Cutout(num_holes=8, max_h_size=8, max_w_size=8, fill_value=0, p=0.5)
], bbox_params=A.BboxParams(format=‘yolo’, label_fields=[‘class_labels’]))

image = cv2.imread(image_path) with open(label_path, 'r') as f: lines = f.readlines() bboxes = [] class_labels = [] for line in lines: parts = line.strip().split() class_id = int(parts[0]) x_center, y_center, width, height = map(float, parts[1:]) bboxes.append([x_center, y_center, width, height]) class_labels.append(class_id) for i in range(num_augments): augmented = transform(image=image, bboxes=bboxes, class_labels=class_labels) augmented_image = augmented['image'] augmented_bboxes = augmented['bboxes'] augmented_class_labels = augmented['class_labels'] output_image_path = os.path.join(output_dir, f"{os.path.splitext(os.path.basename(image_path))[0]}_aug_{i}.jpg") output_label_path = os.path.join(output_dir, f"{os.path.splitext(os.path.basename(image_path))[0]}_aug_{i}.txt") cv2.imwrite(output_image_path, augmented_image) with open(output_label_path, 'w') as f: for j in range(len(augmented_bboxes)): bbox = augmented_bboxes[j] class_id = augmented_class_labels[j] f.write(f"{class_id} {bbox[0]} {bbox[1]} {bbox[2]} {bbox[3]}\n")

增强训练集

train_image_dir = ‘construction_vehicle_dataset/images/train’
train_label_dir = ‘construction_vehicle_dataset/labels/train’
output_dir = ‘construction_vehicle_dataset/augmented/train’
os.makedirs(output_dir, exist_ok=True)
for image_file in os.listdir(train_image_dir):
image_path = os.path.join(train_image_dir, image_file)
label_path = os.path.join(train_label_dir, image_file.replace(‘.jpg’, ‘.txt’))
augment_image(image_path, label_path, output_dir, num_augments=5)

增强验证集

val_image_dir = ‘construction_vehicle_dataset/images/val’
val_label_dir = ‘construction_vehicle_dataset/labels/val’
output_dir = ‘construction_vehicle_dataset/augmented/val’
os.makedirs(output_dir, exist_ok=True)
for image_file in os.listdir(val_image_dir):
image_path = os.path.join(val_image_dir, image_file)
label_path = os.path.join(val_label_dir, image_file.replace(‘.jpg’, ‘.txt’))
augment_image(image_path, label_path, output_dir, num_augments=5)
九、注意事项
数据集路径：确保数据集路径正确，特别是图片和标注文件的路径。
硬件资源：训练大型模型可能需要较多的计算资源，建议使用 GPU。
超参数调整：根据实际情况调整学习率、批量大小等超参数，以获得更好的训练效果。
数据增强：为了提高模型的泛化能力，可以在训练过程中使用数据增强技术，如随机裁剪、翻转等。
十、引用数据集
如果你需要在论文中引用这个数据集，可以参考以下格式：

bibtex
深色版本
@article{construction_vehicle_dataset,
title={Aerial Construction Vehicle Detection Dataset},
author={Author Name},
journal={Journal Name},
year={2023},
note={Available at: \url{https://example.com/construction_vehicle_dataset}}
}
请根据实际的数据集来源和作者信息进行修改。

希望这些步骤和脚本能帮助你成功训练一个工程车航拍检测模型。