【yolov8系列】ubuntu上yolov8的开启训练的简单记录

前言

yolov8的广泛使用，拉取yolov8源码工程，然后配置环境后直接运行，初步验证自己数据的检测效果，在数据集准备OK的情况下需要信手拈来，以保证开发过程的高效进行。
本篇博客更注意为了方便自己使用时参考。顺便也记录下ubuntu下的一些简单的常用的操作。

1 ubuntu的相关命令

ubuntu关于账号的操作

添加删除用户

sudo adduser XXX       ## 新增用户
sudo userdel -r XXX    ## 删除用户

# 更改用户主目录
# sudo usermod -d /target_dir/ username
# sudo chown -R username target_dir/  #将文件夹所有权给该用户

# sudo useradd -r -m -s /bin/bash username (-r root)
# sudo passwd XXXX
# sudo userdel -r username
# deluser USER --remove-home --remove-all-files

修改密码
```
sudo passwd user
```
查看所有用户
```
grep bash /etc/passwd
```

添加删除管理员权限

sudo adduser username sudo
sudo deluser username sudo

ubuntu下磁盘信息查看

查看硬盘容量

df -h                              ## 查看硬盘容量
du -h --max-depth=1         ## 查看当前路径文件夹大小

查看文件夹详细信息
```
ls -l
ls -al
```
统计文件夹中文件数量
```
ls -l | grep "^-" | wc -l
```

查看显卡占用

nvidia-smi           # 显示PID
ps -f -p 26359     # 查询PID

2 安装Anaconda

官网上下载不流畅，清华镜像丝滑下载（官方通知不更新但够使用），链接为
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ mini版本，都能正常使用。

个人选择miniconda安装，下载【Miniconda3-4.7.12-Linux-x86_64.sh】

chmod +x Miniconda3*.sh
bash Miniconda3*.sh
	1 按 enter 键
	2 输入yes并enter
	3 选择路径：enter
	4 是否添加环境变量： yes
	5 是否安装Microsoft vs no就行（因为已经安装了vscode和qt，所以这里no就行）
source ~/.bashrc

conda list                   #显示自己已安装包
conda create -n env_name(自己写名字） python=3.7（版本号） # 创建虚拟环境
source activate env_name    #激活虚拟环境
deactivate                 # 退出虚拟环境
conda env list            # 查看已有虚拟环境
conda install ～         # 安装包
conda remove ～         # 卸载包
conda update           # 更新

3 安装VScode

https://blog.csdn.net/magic_ll/article/details/119679279

4 YOLOV8的环境配置与运行

4.1 工程下载与环境配置

工程下载ultralytics 8.0.36。

conda create -n YOLOV8 python=3.8
conda activate YOLOV8
pip install ultralytics==8.0.36
pip list          ## 查看安装列表
## 剩余需要的库，正常安装即可

4.2 demo工程

# import sys
# sys.path.append("./")
from ultralytics import YOLO
# import onnxruntime as ort
import cv2
import os
import glob

def demo():
    ### predict===================================
    # 加载模型
    test_path = "https://ultralytics.com/images/bus.jpg"
    outpath = os.path.join(os.getcwd(), "runs/detect")

    # model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
    model = YOLO("yolov8n.pt")  # 加载预训练模型（推荐用于训练）

    # Use the model
    results = model.train(data="coco128.yaml", epochs=3)  # 训练模型
    results = model.val()  # 在验证集上评估模型性能
    results = model(test_path)  # 预测图像
    results = model.predict(test_path, device=0,save=True,show=False,save_txt=True, imgsz=[640,640],
                            save_conf=True, name=outpath, iou=0.5)  ## 预测图像 ## 这里的imgsz为高宽

    success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

demo()

可能报错：运行上述脚本，报错如下，原因是显卡驱动和cuda版本不匹配。
在这里插入图片描述
提高显卡驱动版本或降低pytorch版本即可。这里方便起见，降低pytorch版本与显卡驱动匹配即可。
此时pytorch版本为：torch2.3.0，torchvision0.18.0。重新安装版本torch2.1.1，torchvision0.16.1。

4.3 自己的工程训练

# import sys
# sys.path.append("./")
from ultralytics import YOLO
# import onnxruntime as ort
import cv2
import os
import glob

def export_own():
    model_file = "./yolov8n.pt",
    print(model_file)

    model = YOLO(model_file)  # load a pretrained model (recommended for training)
    pt_path = model.model.pt_path
    use_model = os.path.basename(pt_path)

    ## 通过修改pt_path，从而直接修改转换的onnx的名字，就可以导出不同输入尺寸的onnx模型
    # model.model.pt_path = pt_path.replace(use_model, f"{use_model[:-3]}_export{use_model[-3:]}")
    model.export(format='onnx', opset=11, simplify=True, dynamic=False, imgsz=[352,352])

def train_own():

    model_path = "yolov8s.pt"
    # model_path = os.path.join(os.getcwd(), "runs/detect/yolov8_case23_epoch300/weights/epoch250.pt")
    savename = os.path.join(os.getcwd(), "runs/detect/yolov8_case24_epoch300")

    model = YOLO(model_path)  
    model.train(data="./dataYaml/Object_case19.yaml", 
                device="4,5,6,7", imgsz=352, close_mosaic=50, epochs=300, batch=512, 
                workers=16, save_period=10, name=savename, patience=300,
                # resume=True ## 是否要继续训练
                )  
                
if __name__=="__main__":
    train_own()
    export_own()