基于Pycharm的YOLOv8教程——运行环境配置+杂草识别示例

1. YOLOv8环境安装

YOLOv8的运行环境主要包括四部分：

1）PyCharm

PyCharm 是一款由 JetBrains 开发的 Python 集成开发环境（IDE），提供了智能代码补全、实时错误检查、快速修复等功能，帮助开发者提高 Python 编程的效率和质量。

软件链接：Download PyCharm: Python IDE for Professional Developers by JetBrainshttps://www.jetbrains.com/pycharm/download/?section=windows#section=windows

** 2）Miniconda**

Miniconda 是一个小巧的 Python 环境管理工具，它包含了 conda 软件包管理器和 Python，一旦安装了 Miniconda，就可以使用 conda 命令安装任何其他软件工具包并创建环境。

软件链接：Index of /anaconda/miniconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirrorhttps://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

3）Pytorch

PyTorch 是一个由 Facebook 开发的开源深度学习框架，它提供了灵活、直观的接口和强大的 GPU 加速，支持动态神经网络和丰富的 API 和工具，使得构建和训练复杂的机器学习模型变得更加容易。

软件链接：​​​​​​PyTorchhttps://pytorch.org/

4）ultralytics(YOLOv8)

YOLOv8 是一款最新的、先进的实时物体检测模型，它在前几代 YOLO 的成功基础上引入了新的功能和改进，以提高性能和灵活性，可以在从 CPU 到 GPU 的各种硬件平台上运行。

源码链接：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLitehttps://github.com/ultralytics/ultralytics

该部分的安装可以参考

【手把手带你实战YOLOv8-入门篇】YOLOv8 环境安装_哔哩哔哩_bilibili【手把手带你实战YOLOv8-入门篇】YOLOv8 环境安装, 视频播放量 27489、弹幕量 19、点赞数 514、投硬币枚数 438、收藏人数 1106、转发人数 247, 视频作者 你可是处女座啊, 作者简介 github地址：https://github.com/zyds，相关视频：【手把手带你实战YOLOv8-入门篇】YOLOv8 模型预测，【手把手带你实战YOLOv8-入门篇】YOLOv8 模型训练，【yolov8】从0开始搭建部署YOLOv8，环境安装+推理+自定义数据集搭建与训练，一小时掌握，花3个小时，适合所有新手人群的【YOLOv8训练自己的数据集】教程，环境安装+源码解读+代码实战，分分钟学透！翻遍全网找不到比这更详细的了！（人工智能课程），五分钟学会 - YOLOv8从训练到部署与推理，从入门到精通，YOLOv8正式发布！零基础教程YOLOv8推理及训练（代码实战），【手把手带你实战YOLOv8-入门篇】YOLOv8 数据集构建，比外挂还离谱的【YOLO目标检测】自从用了YOLO玩枪战游戏，再也不用担心看不到人了！超详细YOLO目标物体检测实战教程（实战教程，快速入门！），零基础：编译器安装+深度学习环境配置+YOLOv8运行：第三部分YOLOv8运行，【手把手带你实战YOLOv5-入门篇】YOLOv5 环境安装（重置版）https://www.bilibili.com/video/BV13V4y1S7MK/?spm_id_from=333.788

***恭喜恭喜，您已经成功完成以上4个内容，接下来可以进行下一步操作了！！！

2. 数据集构建

   在计算机视觉中，数据集是一组用于训练、验证和测试计算机视觉模型的图像或视频。数据集通常包含大量的标注信息，如图像中物体的位置、类别等。

    数据集在计算机视觉中的重要性主要体现在以下几个方面：

 （1）训练模型：通过大规模的图像数据集，计算机视觉算法可以学习到图像的特征和语义信息，从而实现图像分类、目标检测、人脸识别等任务。

 （2）评估模型：数据集也用于评估模型的性能。通过在相同的数据集上评估不同的模型，可以比较它们的性能。

 （3）推动研究：公开的数据集可以推动计算机视觉的研究。例如，飞飞姐的ImageNet数据集的发布极大地推动了深度学习在计算机视觉中的应用。

2.1 数据准备

（1）图片类型数据：无需额外处理，直接进行标注

（2）视频类型数据：进行抽帧处理，导出为图片

# 视频抽帧处理程序
import cv2

video = cv2.VideoCapture('./DINO.mp4')
num = 0           # 计数器
save_step = 60    # 间隔帧
while True:
    ret, frame = video.read()
    if not ret:
        break
    num += 1
    if num % save_step == 0:
        cv2.imwrite('./train/demo_images/' + str(num) + '.jpg', frame)

2.2 数据集标注程序、网页及软件

（1）Labelimg

LabelImg是图形图像标注工，用Python编写的，并将Qt用于其图形界面，可以用于进行目标检测项目的标注工作。

labelimg教程可以参考：

使用labelImg做图像标注_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1Jp4y1k7QG/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

（2）LabelMe

Labelme 是一个图形界面的图像标注软件。它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）。

【labelme】13分钟教会你使用labelme的超详细教程_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1xT4y1j7A9/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

（3）MakeSense

基于JavaScript开发用于图像目标检测的标注工具，使用React+Redux进行开发，支持Windows和Linux平台运行。

3.3 MakeSense定义标签_哔哩哔哩_bilibili原书信息：清华大学出版社-图书详情-《TensorFlow+Android经典模型从理论到实战（微课视频版）》 http://www.tup.tsinghua.edu.cn/booksCenter/book_09703501.html第3章 EfficientDet与美食场景检测当你读完第3章时，你应该能够：l 熟悉和理解美食数据集的结构特点。l 了解解决目标检测问题的技术路线。l 掌握一种为数, 视频播放量 224、弹幕量 0、点赞数 3、投硬币枚数 0、收藏人数 4、转发人数 5, 视频作者 水木智联, 作者简介 万物智联，智联万物，相关视频：【附源码】用Python轻松破解WiFi 密码伸手就来！！再也不用担心流量不够用啦！！，【比刷剧还爽！】从入门到精通CNN、RNN、GAN、GNN、DQN、Transformer、LSTM等八大深度学习神经网络一口气学完！这不比刷剧爽多了！，2023年12月最新ChatGPT4.0国内保姆级使用教程，12月份最新ChatGPT来了，国内无限制免费使用教程！，全新YOLOV5实战课程！整整18集，大佬带你玩转YOLOV5实战项目！（含源码）—YOLOV5实战、YOLOV5、计算机视觉、目标检测，(免费) 让任何软件AI实时渲染！打通AI最后500米（一键包2.0版），普通人千万不要学Python！！！，吹爆！想学好线代一定不能错过的《线性代数可视化手册》，搞定它，你的线代就搞定了90%！，【无人驾驶项目】使用机器学习的真实世界自动驾驶车辆安全规划，入门到提高全套教程！，太稳啦！全新方法的T-Rex标注神器！通过视觉提示进行交互式目标计数！！-深度学习/机器学习/计算机视觉https://www.bilibili.com/video/BV1ss4y1u731/?spm_id_from=333.337.search-card.all.click

（4）精灵标注助手（Colabeler）

相比于Labelme，LabelImg这些标注工具，精灵标注助手强大的地方在于支持实例分割、目标检测、文本标注、音频标注和视频标注等 ，并且完全免费。

数据标注软件精灵标注助手比labelme好用_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1PW4y167Ez/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

（5）CVAT

CVAT是一个免费的、在线的、交互式的视频注释工具，支持本地部署，无需担心数据外泄。它支持多人协作，能用于几乎所有CV相关标注任务，如点，多边形，语义分割等。

图像标注平台CVAT的安装和使用_哔哩哔哩_bilibili这个视频介绍了图像标注平台CVAT (computer vision annotation tool) 的安装和使用方法。CVAT可以使用docker工具来安装，安装基础功能很方便；如果希望安装半自动标注功能是通过配置nuclio中的serverless功能来实现的；最后简单介绍一下如何CVAT的界面标注数据。官方文档：https://opencv.github.io/cvat/docs/admi, 视频播放量 2866、弹幕量 5、点赞数 49、投硬币枚数 23、收藏人数 121、转发人数 35, 视频作者 太阳照常升起233, 作者简介 ，相关视频：医学图像分割实战：基于U-Net模型的医学细胞图像分割+基于Deeplab的医学心脏图像分割实战精讲，原理详解+项目实战，看完就能跑通！，肝脏肿瘤图像分割、心脏图像分割、细胞图像分割全详解！B站最全面的医学图像分割实战教程分享，原理详解+项目实战，看完就能跑通！，数据标注任务员，在家搬砖就能日赚100200，平台分享，2023年人工智能医学领域两大热门项目：基于Transformer的图像分割+基于Resnet的医学数据集分类【从原理到实战】，太稳啦！全新方法的T-Rex标注神器！通过视觉提示进行交互式目标计数！！-深度学习/机器学习/计算机视觉，这也太全了！Pandas、Seaborn、Numpy、Matplotlib四大Python数据科学必备工具包实战全教程学到爽！Python数据分析，WACV2024:可变性大核注意力医学图像分割，“ChatGPT超详细免费教程”无需魔法 国内直接使用，【无人驾驶项目】使用机器学习的真实世界自动驾驶车辆安全规划，入门到提高全套教程！，完全自学！跟着老师三周拿下【机器学习Halcon】从入门到实战！整整63集学到爽！含配套课程资源—机器视觉、计算机视觉、CV、人工智能、图像处理、图像匹配https://www.bilibili.com/video/BV1Yh4y1R7ZD/?spm_id_from=333.337.search-card.all.click

（6）VIA(VGG Image Annotator)

一款开源的图像标注工具，由Visual Geometry Group开发。可以在线和离线使用，可标注矩形、圆、椭圆、多边形、点和线。

神经网络训练样本制作工具 VGG Image Annotator (via) 小教程_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1SZ4y1p7xd/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

2.3 公开的CV数据集网站

（1）谷歌数据库：Dataset Search (google.com)

谷歌数据集搜索是一个在线工具，允许用户搜索、发现和访问各种来源的数据集，包括政府机构、学术机构、企业和个人贡献者。这些数据集涵盖广泛的主题，包括医疗保健、金融、气候、交通、社会科学和艺术。

（2）RobolFlow：All Projects | Roboflow Universe Search

Roboflow 是一个提供一站式解决方案的平台，用户可以在该平台上上传、组织、标注、增强和处理数据集，然后简化训练过程，并通过多种部署选项加速模型的部署。该平台提供了许多已经标注好的yolo格式的数据集，可直接下载使用。

（3）VisualData：VisualData Discovery - Search Engine for Computer Vision Datasets

VisualData是一个专用于搜索计算机视觉数据集和代码／模型的搜索引擎。该网站现已收集281个计算机视觉数据集，用户可以在该网站上通过简单的搜索找到适合自己项目的数据集。

（4）ImageNet：ImageNet (image-net.org)

ImageNet是市场上最大、最受欢迎的开源数据集之一。ImageNet拥有超过1400万张已手动标注的图像。数据库按WordNet层次结构予以组织，对象级标注通过边界框完成。

（5）LSUN：https://www.yf.io/p/lsun

LSUN数据集为场景理解（房间布局估计，显着性预测等）提供了许多辅助任务。

（6）COCO：COCO - Common Objects in Context (cocodataset.org)

COCO是大规模的对象检测，分割和字幕数据集，包含超过200,000张带标签的图像。

3. 模型训练

3.1 训练前准备

在机器学习中，我们通常会将数据集划分为训练集、验证集和测试集：

1. 训练集：训练集用于模型的训练，即用于调整模型的参数。这就像是学生的课本，用于日常的知识巩固。
2. 验证集：验证集用于模型的调整和评估。它可以用来选择和调整模型的超参数，以及对模型的能力进行初步评估。这就像是学生的周考，用来纠正和强化学到的知识。
3. 测试集：测试集用于评估模型的最终性能，即模型的泛化能力。但它不能用于调整模型的参数或选择特征等算法相关的选择。这就像是学生的期末考试，用来最终评估学习效果。

在实际应用中，训练集、验证集和测试集的划分比例一般遵循6:2:2的原则。这三个数据集的数据分布应该是近似的，但它们所用的数据是不同的。这样做的目的是为了使模型的训练效果能合理地泛化至测试效果，从而推广应用至现实世界中。同时，模型在训练集、验证集和测试集上所反映的预测效果可能存在差异。

示例：杂草检测

目前已经获取到了60张杂草图片，并利用labelimg进行了杂草数据的标注。由于图片数量较少，这里将编号119+3160共计49张图片作为训练集，将编号20~30共计11张图片作为验证集。

首先需要对源图片以及处理好的进行文件整理，文件的结构可以如下图所示：

bvn               # 数据集名称
    images          # 存放图片
        train      # 训练集图片
        val      # 验证集图片
    labels          # 存放标签(图片中不同类别的定位数据)
        train      # 训练集标签文件，要与训练集图片名称一一对应
        val      # 验证集标签文件，要与验证集图片名称一一对应

3.2 Pycharm杂草识别教程

**Step1: **首先，先从Ultralytics官方网站上下载源码（这一步是方便后续操作）并解压。

**Step2: **新建Pycharm项目，命名为ultralytics-main。在资源管理器中打开ultralytics-main目录，将Step1中的文件复制粘贴到该目录下。完成后的Pycharm页面如下图所示：

**Step3: **Pycharm环境中，在项目ultralytics-main下新建目录datasets(不可改变名称，否则后续操作会报错)，在资源管理器中打开datasets目录，将含有训练集和验证集的文件夹bvn复制粘贴到该目录下。完成后的页面如下图所示：

**Step4: **创建配置文件。在项目ultralytics-main下新建文件yolo-bvn.yaml，键入以下内容。

path: bvn    # 数据集目录
train: images/train      # 训练集图片目录
val: images/val          # 验证集图片目录
test:                    # 没有设置测试集图片，此处为空即可

# Classes
names:
  0: bodyak
  1: osot
  2: shchavel

**Step5: **通过代码运行。在项目ultralytics-main下新建文件yolov8-train.py文件，键入以下内容。

from ultralytics import YOLO

# load a model
model = YOLO('yolov8n.pt')

# Train the model
model.train(data='yolo-bvn.yaml', workers=0, epochs=50, batch=16)

# windows平台，此处的workers必须设置为0，否则报错。

**Step6: **选择在当前文件运行。运行完成后项目里会出现“runs”文件夹。在runs_ detect_ train_ weights中包含了计算得到的最优模型和最后的模型。

Step7: 验证模型的准确性。选择验证集中的一张照片，验证所得到的最优模型的准确性。在pycharm终端中输入:

yolo detect predect model=runs/detect/train11/weights/best.pt source=./25.jpg show=True

4. 结语

   目标检测只是计算视觉中很小的一部分，还有分类、动态跟踪、定位等一系列的工作。我这是个新手，上面的内容虽然看似简单，但却花费了我一个月时间去购置主机、配置yolov8环境、搜寻数据集、标注、跑程序等。接下来我会继续更新关于杂草识别与定位的个人研究内容，欢迎大家持续关注。