请先阅读此博客MMYOLO 自定义数据集从标注到部署保姆级教程_mmyolo 从零-CSDN博客
labelImg工具标注yolo后，将结果按照如下方式放置：
└── $ROOT_PATH
├── classes.txt
├── labels
│ ├── a.txt
│ ├── b.txt
│ └── ...
├── images
│ ├── a.jpg
│ ├── b.png
│ └── ...
└── ...
然后转coco数据集
└── $ROOT_PATH
├── annotations
│ ├── result.json
│ └── ...
├── classes.txt
├── labels
│ ├── a.txt
│ ├── b.txt
│ └── ...
├── images
│ ├── a.jpg
│ ├── b.png
│ └── ...
└── ...
进入到clone到本地的mmyolo目录，找到tools/dataset_converters/yolo2coco.py，此文件有瑕疵，添加黄色代码。
# convert x,y,w,h to x1,y1,x2,y2 x1 = (x - w / 2) * image_width y1 = (y - h / 2) * image_height x2 = (x + w / 2) * image_width y2 = (y + h / 2) * image_height #可能因精度误差超出图像边界 x1 = max(0., x1) y1 = max(0., y1) x2 = min(x2, image_width) y2 = min(y2, image_height)
在mmyolo目录里打开终端，进入自己的虚拟环境后，转coco，注意自己的样本路径
python tools/dataset_converters/yolo2coco.py ~/datasets/yolo/
会得到 annotations/result.json 目录和文件
python tools/misc/coco_split.py --json ~/datasets/yolo/annotations/result.json --out-dir ~/datasets/yolo/annotations/ --ratios 0.8 0.2 --shuffle --seed 10
得到下图两个json文件
经验证，数据集会根据每个类别进行划分，而不是全局划分，因此不必担心某个类别样本少导致验证集里为0。验证代码如下：
import json import os.path from collections import defaultdict def count_classes(json_file): with open(json_file) as f: data = json.load(f) class_counts = defaultdict(int) for ann in data['annotations']: class_counts[ann['category_id']] += 1 return class_counts if __name__=='__main__': train_counts = count_classes(os.path.expanduser('~/datasets/yolo_caiSe160/annotations/trainval.json')) val_counts = count_classes(os.path.expanduser('~/datasets/yolo_caiSe160/annotations/test.json')) print("Train class counts:", train_counts) print("Val class counts:", val_counts)
可以看到几乎每个类别按4:1划分的。
参考15 分钟上手 MMYOLO 目标检测 — MMYOLO 0.6.0 文档
我放到了自己新建的yolov8_12目录里
python tools/train.py configs/yolov8_12/yolov8_12.py
如果报“CUBLAS_WORKSPACE_CONFIG=:4096:8”之类的错误，先执行
export CUBLAS_WORKSPACE_CONFIG=:4096:8
临时设置（仅当前终端会话有效）
训练得到的pth 在~/mmyolo/work_dirs/yolov8_12/里
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。