【目标检测】用YOLOv8-Segment训练语义分割数据集（保姆级教学）

🕗 发布于 2024-11-17 09:26 目标检测 YOLO 人工智能 语义分割

前言

这篇教程会手把手带你用 YOLOv8-Segment 搭建一个属于自己的分割任务项目。从环境配置到数据集准备，再到模型训练和测试，所有步骤都有详细说明，适合初学者使用。你将学会如何安装必要的软件，标注自己的数据，并使用 YOLOv8-Segment 实现自定义目标的实例分割。我们还提供了实用的代码示例，方便你在这个基础上自由调整和优化。

准备工作（必看）

安装 Anaconda 并熟悉基本命令
本项目主要基于 Conda 环境进行配置与管理。如果尚未安装 Anaconda，可以参考我的另一篇文章：一步步教你在 Windows 上轻松安装 Anaconda以及使用常用conda命令（超详细）获取详细安装及使用指南。
安装 PyCharm（版本 > 2023.1）
本项目建议使用 PyCharm 加载 Conda 环境进行开发与管理，可以参考相关教程完成 PyCharm 的安装和基础配置。
熟练使用 LabelMe 进行分割标注
本项目要求用户预先准备好 JPG 格式的数据集，并使用 labelme 工具完成目标区域的分割标注。分割标注将生成 JSON 文件，稍后会介绍如何将这些文件转换为 YOLOv8 可用的格式。如果您对 labelme 的使用不熟悉，可以参考我的另一篇教程：小白快速上手 labelme：新手图像标注详解教程。

一、下载 YOLOv8 源码

方法一：从官网直接下载（推荐）

打开 YOLOv8 的 GitHub 官方页面。
点击页面上的 “Code” 按钮，选择 “Download ZIP” 直接下载源码。

在这里插入图片描述

下载完成后，请将压缩包解压至 D 盘或 E 盘等非系统盘，并重命名为 yolov8-segment，以减少可能由于系统权限问题导致的错误（解压路径可根据个人需求进行选择，请确保记录路径以便后续使用）。

在这里插入图片描述

方法二：通过 Git 克隆源码（适合有一定基础的用户）

打开终端或命令提示符，输入以下命令将 YOLOv8 源码克隆到本地：
```
git clone https://github.com/ultralytics/ultralytics
```
下载完成后，将文件夹重命名为 yolov8-segment：
```
mv ultralytics yolov8-segment
```
进入 yolov8-segment 文件夹：
```
cd yolov8-segment
```

文件结构简介

下载完成后，ultralytics 文件夹的核心结构如下：

ultralytics/
├── ultralytics/
│   ├── yolo/        # YOLOv8 的核心代码，包括检测、分割和分类功能
│   ├── datasets/    # 示例数据集
│   ├── models/      # 模型定义
│   ├── utils/       # 工具函数
├── setup.py         # 安装脚本
└── README.md        # 项目说明
└── ......           # 其它

二、环境安装

1. 创建并激活 YOLOv8 环境

conda create -n yolov8 python==3.9  # 创建python版本3.9名为yolov8的conda环境

conda activate yolov8  # 激活创建的yolov8环境

2. 配置Pytorch环境

YOLOv8 可以在GPU或CPU环境下运行，但推荐在GPU上运行以加快训练速度。

检查NVIDIA GPU及其CUDA支持情况

nvidia-smi是NVIDIA驱动自带的命令行工具，可以查看显卡的CUDA支持情况和驱动信息。打开命令提示符（或CMD），输入：

nvidia-smi

如果系统输出了显卡信息，并显示CUDA版本（例如CUDA Version: 12.7），则表明显卡支持CUDA同时支持GPU，否则~~不支持GPU~~ 。

在这里插入图片描述

方式一：使用Conda安装（推荐）

打开 Previous PyTorch Versions | PyTorch 官网，选择<= CUDA Version 的Conda命令并复制（若不支持GPU则选择 CPU 的Conda命令）。
在终端中执行对应的安装命令，以安装PyTorch和CUDA / CPU支持。
安装完成后，可以在终端中输入conda list pytorch检查安装情况：(本教程仅展示CUDA版本的安装结果)

在这里插入图片描述

pytorch 2.3.1：这是安装的PyTorch版本，适用于Python 3.9，并支持CUDA 12.1和cuDNN 8。
pytorch-cuda 12.1：这是安装的CUDA支持包，指明CUDA版本为12.1。
pytorch-mutex 1.0：这是一个互斥包，用来确保在同一环境中只启用一种加速方式（如CUDA），避免安装冲突。

方式二：使用Pip安装

打开 Previous PyTorch Versions | PyTorch 官网，选择<= CUDA Version 的Pip命令并复制（若不支持GPU则选择 CPU 的Pip命令）。

在这里插入图片描述

在终端中执行对应的安装命令，以安装PyTorch和CUDA / CPU支持。
安装完成后，可以在终端中输入pip list检查安装情况。

在这里插入图片描述

torch 2.3.0：核心库（版本2.3.0），用于构建和训练神经网络。
torchaudio 2.3.0：音频处理库（版本2.3.0），为音频数据的加载、预处理和增强提供了工具
torchvision 0.18.0：计算机视觉库（版本0.18.0），包含了常用的图像数据集、数据增强和预训练模型。

下载安装CUDA支持的torch + torchvision + torchaudio (仅GPU版本需要)。
- 打开网址 https://download.pytorch.org/whl/torch_stable.html
- 选择与上面对应版本的torch并下载至本地

在这里插入图片描述

cu121：表示此安装包支持 CUDA 12.1，也就是说，这个版本的 PyTorch 可以利用带有 CUDA 12.1 的 NVIDIA GPU 进行计算加速。

torch-2.3.1+cu121：说明这是 PyTorch 2.3.1 版本的安装包，并且这个版本支持 CUDA 12.1。在 PyTorch 中，不同 CUDA 版本对应不同的 GPU 支持，确保安装的 PyTorch 版本兼容设备的 CUDA 版本很重要。

cp39-cp39：表示该安装包是针对 Python 3.9（“cp39”代表 CPython 3.9）的版本。这里的 cp39-cp39 意味着此包适用于 Python 3.9 的 CPython 解释器（CPython 是 Python 的标准实现）。

win_amd64：表示该安装包适用于 Windows 操作系统，并支持 64位架构（AMD64）。如果您的系统是 Windows 64 位，这个包是兼容的。

在终端中输入以下命令以安装指定的 .whl 文件（请将路径替换为您下载的 .whl 文件的实际保存位置）

  pip install D:\torch_gpu\torch-2.3.1+cu121-cp39-cp39-win_amd64.whl

torchvision与torchaudio安装方式同理
安装完毕后再次在终端中输入pip list检查安装情况，如果输出结果中显示类似以下内容，则表明安装成功

在这里插入图片描述

3. Pycharm中加载YOLOv8环境

在Pycharm中打开yolov8-segment项目
打开设置 - - > 项目: yolov8-segment- - > python解释器 - - > 添加解释器 - - > 添加本地解释器

在这里插入图片描述

选择Conda环境 - - > 浏览Anaconda目录下\Library\bin\conda.bat - - > 加载环境 - - > 使用现有环境 - - > 选择yolov8 - - > 点击确定

在这里插入图片描述

4. 安装YOLOv8依赖项

打开Pycharm本地终端

在这里插入图片描述

使用以下命令安装 Ultralytics 库和相关依赖：

pip install ultralytics opencv-python matplotlib

三、数据集准备

3.1 数据集初始格式

为了准备 YOLOv8 Segment 模型所需的数据集，请按照以下步骤组织文件夹结构：

在项目根目录 yolov8-segment 下新建 datasets 文件夹。
在 datasets 文件夹内新建一个名为 segment 的子文件夹。
在 segment 文件夹内，新建以下两个子文件夹：
- img 文件夹：用于存放任务所需的图片，格式建议为 JPG 或 PNG。
- json 文件夹：用于存放与图片对应的标注文件，格式为 JSON（推荐使用工具如 Labelme 生成）。

文件夹结构示例

yolov8-segment/
├── datasets/
│   ├── segment/
│       ├── img/        # 存放图片
│       │   ├── image1.jpg
│       │   ├── image2.jpg
│       ├── json/       # 存放标注文件
│           ├── image1.json
│           ├── image2.json

注意事项

图片文件夹 img：包含任务图片，每张图片的文件名应唯一且对应相应的标注文件，例如 image1.jpg。
标注文件夹 json：包含与图片一一对应的 JSON 标注文件，文件名与图片名一致，例如 image1.json。
一致性：确保图片和 JSON 文件的文件名完全一致，以免后续处理出错。

3.2 数据集转换和分割

为了使用 YOLOv8 Segment 模型，我们需要将 JSON 格式的标注文件转换为 YOLO格式的 .txt 文件，并按照训练和验证的比例划分数据集。以下是具体步骤：

1. 新建转换脚本

在项目根目录下新建一个脚本文件 segment_json2txt.py。这个脚本的主要功能是：

格式转换：将标注工具（如 Labelme）生成的 JSON 格式标注文件转换为 YOLO 格式的 .txt 文件，方便 YOLOv8 模型直接使用。
数据集划分：将图片和对应的标签文件按照一定比例（如 90% 训练集，10% 验证集）划分为训练集和验证集。
生成配置文件：自动生成一个名为 segment.yaml 的配置文件，该文件包含数据集路径、类别名称和类别数量，供 YOLOv8 模型训练时使用。

# -*- coding: utf-8 -*-
from tqdm import tqdm
import shutil
import random
import os
import argparse
from collections import Counter
import yaml
import json
 
 

def mkdir(path):
    if not os.path.exists(path):
        os.makedirs(path)
 
 
def convert_label_json(json_dir, save_dir, classes):
    json_paths = os.listdir(json_dir)
    classes = classes.split(',')
    mkdir(save_dir)
 
    for json_path in tqdm(json_paths):
        # for json_path in json_paths:
        path = os.path.join(json_dir, json_path)
        with open(path, 'r') as load_f:
            json_dict = json.load(load_f)
        h, w = json_dict['imageHeight'], json_dict['imageWidth']
 
        # save txt path
        txt_path = os.path.join(save_dir, json_path.replace('json', 'txt'))
        txt_file = open(txt_path, 'w')
 
        for shape_dict in json_dict['shapes']:
            label = shape_dict['label']
            label_index = classes.index(label)
            points = shape_dict['points']
 
            points_nor_list = []
 
            for point in points:
                points_nor_list.append(point[0] / w)
                points_nor_list.append(point[1] / h)
 
            points_nor_list = list(map(lambda x: str(x), points_nor_list))
            points_nor_str = ' '.join(points_nor_list)
 
            label_str = str(label_index) + ' ' + points_nor_str + '\n'
            txt_file.writelines(label_str)
 
 
def get_classes(json_dir):
    '''
    统计路径下 JSON 文件里的各类别标签数量
    '''
    names = []
    json_files = [os.path.join(json_dir, f) for f in os.listdir(json_dir) if f.endswith('.json')]
 
    for json_path in json_files:
        with open(json_path, 'r') as f:
            data = json.load(f)
            for shape in data['shapes']:
                name = shape['label']
                names.append(name)
 
    result = Counter(names)
    return result
 
 
def main(image_dir, json_dir, txt_dir, save_dir):
    # 创建文件夹
    mkdir(save_dir)
    images_dir = os.path.join(save_dir, 'images')
    labels_dir = os.path.join(save_dir, 'labels')
 
    img_train_path = os.path.join(images_dir, 'train')
    img_val_path = os.path.join(images_dir, 'val')
 
    label_train_path = os.path.join(labels_dir, 'train')
    label_val_path = os.path.join(labels_dir, 'val')
 
    mkdir(images_dir)
    mkdir(labels_dir)
    mkdir(img_train_path)
    mkdir(img_val_path)
    mkdir(label_train_path)
    mkdir(label_val_path)
 
    # 数据集划分比例，训练集75%，验证集15%，测试集15%，按需修改
    train_percent = 0.90
    val_percent = 0.10
 
    total_txt = os.listdir(txt_dir)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)  # 范围 range(0, num)
 
    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
 
    train = random.sample(list_all_txt, num_train)
    # 在全部数据集中取出train
    val = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    # val = random.sample(list_all_txt, num_val)
 
    print("训练集数目：{}, 验证集数目：{}".format(len(train), len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]
 
        srcImage = os.path.join(image_dir, name + '.jpg')
        srcLabel = os.path.join(txt_dir, name + '.txt')
 
        if i in train:
            dst_train_Image = os.path.join(img_train_path, name + '.jpg')
            dst_train_Label = os.path.join(label_train_path, name + '.txt')
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
        elif i in val:
            dst_val_Image = os.path.join(img_val_path, name + '.jpg')
            dst_val_Label = os.path.join(label_val_path, name + '.txt')
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
 
    obj_classes = get_classes(json_dir)
    classes = list(obj_classes.keys())
 
    # 编写yaml文件
    classes_txt = {i: classes[i] for i in range(len(classes))}  # 标签类别
    data = {
        'path': os.path.join(os.getcwd(), save_dir),
        'train': "images/train",
        'val': "images/val",
        'names': classes_txt,
        'nc': len(classes)
    }
    with open(save_dir + '/segment.yaml', 'w', encoding="utf-8") as file:
        yaml.dump(data, file, allow_unicode=True)
    print("标签：", dict(obj_classes))
 
 
if __name__ == "__main__":
    """
    python json2txt_nomalize.py --json-dir my_datasets/color_rings/jsons --save-dir my_datasets/color_rings/txts --classes "cat,dogs"
    """
    classes_list = 'platemetal,label,Dust_plug,screws'  # 类名
 
    parser = argparse.ArgumentParser(description='json convert to txt params')
    parser.add_argument('--image-dir', type=str,default='datasets/segment/img', help='图片地址')
    parser.add_argument('--json-dir', type=str,default='datasets/segment/json', help='json地址')
    parser.add_argument('--txt-dir', type=str,default='datasets/segment/txt' , help='保存txt文件地址')
    parser.add_argument('--save-dir', default='datasets/segment/seg', type=str, help='保存最终分割好的数据集地址')
    parser.add_argument('--classes', type=str, default=classes_list, help='classes')
    args = parser.parse_args()
    json_dir = args.json_dir
    txt_dir = args.txt_dir
    image_dir = args.image_dir
    save_dir = args.save_dir
    classes = args.classes
    # json格式转txt格式
    convert_label_json(json_dir, txt_dir, classes)
    # 划分数据集，生成yaml训练文件
    main(image_dir, json_dir, txt_dir, save_dir)

2. 修改路径参数

数据集划分比例（`segment_json2txt.py`第90行左右）

# 数据集划分比例
train_percent = 0.90  # 训练集占比
val_percent = 0.10    # 验证集占比

默认设置为训练集 90%，验证集 10%，没有单独测试集。如果需要，可以按需修改，例如训练集 75%，验证集 15%，测试集 10%。

参数说明及调整

在运行脚本时，需要指定以下参数，根据你的数据集路径和类别定义进行调整：

--image-dir：图片文件夹路径，例如 datasets/segment/img。
--json-dir：JSON 标注文件夹路径，例如 datasets/segment/json。
--txt-dir：生成的 TXT 文件存放路径，例如 datasets/segment/txt。
--save-dir：最终分割数据集存放路径
--classes：分割任务中的类别名称（必改）

在这里插入图片描述

3. 运行脚本

在这里插入图片描述

运行脚本后（终端输出类似上图），会生成两个文件夹：

txt：包含转换为 YOLO 格式的标签文件。
seg：分割好的最终数据集，包括 train 和 val 子文件夹，以及一个用于训练的 segment.yaml 配置文件。

以下是运行脚本后生成的示例目录结构：

datasets/
├── segment/
│   ├── txt/                    # 包含转换为 YOLO 格式的标签文件
│   │   ├── image1.txt
│   │   ├── image2.txt
│   │   ├── image3.txt
│   │   └── ...                # 其他标签文件
│   ├── seg/                   # 分割好的最终数据集
│       ├── images/            # 存放划分后的图像
│       │   ├── train/         # 训练集图片
│       │   │   ├── image1.jpg
│       │   │   ├── image2.jpg
│       │   │   ├── image3.jpg
│       │   │   └── ...       # 更多训练图片
│       │   ├── val/           # 验证集图片
│       │       ├── image4.jpg
│       │       ├── image5.jpg
│       │       ├── image6.jpg
│       │       └── ...       # 更多验证图片
│       ├── labels/            # 存放划分后的标签
│           ├── train/         # 训练集标签
│           │   ├── image1.txt
│           │   ├── image2.txt
│           │   ├── image3.txt
│           │   └── ...       # 更多训练标签
│           ├── val/           # 验证集标签
│               ├── image4.txt
│               ├── image5.txt
│               ├── image6.txt
│               └── ...       # 更多验证标签
│       ├── segment.yaml       # 用于 YOLOv8 训练的配置文件

3.3 下载预训练权重

3.3.1 YOLOv8-Segment 预训练权重（已停用）

在 yolov8-segment 根目录下创建一个文件夹 weights
打开开源工具包/YOLOv8分割预训练权重，点击"下载zip"

在这里插入图片描述

解压其目录下的"YOLOv8分割预训练权重.zip"内容至weights文件夹

在这里插入图片描述

3.3.2 YOLOv11-Segment 预训练权重

在 yolov8-egment 根目录下创建一个文件夹 weights ，打开 Ultralytics 官方文档中关于 YOLOv11 分割任务的说明页面，下滑找到预训练权重，点击下载至 weights 文件夹（下载预训练权重）

在这里插入图片描述
以下是weights的示例目录结构：

yolov8-segment/
├── weights/
├── yolo11n-segment.pt
├── yolo11s-segment.pt
├── yolo11m-segment.pt
├── ...

四、训练模型

训练命令

Pycharm本地终端使用以下命令启动训练：

yolo train task=segment data=datasets/segment/seg/segment.yaml model=weights/yolo11s-seg.pt epochs=50 imgsz=640 batch=8 workers=0 device=0

在这里插入图片描述

该命令表示使用 YOLOv8 的分割任务 (segment)，加载自定义权重 yolo11s-seg.pt，基于配置文件 segment.yaml 中的数据集，训练 50 个轮次，每次训练 8 张图片，输入图像尺寸为 640，使用第 0 块 GPU 进行训练。
提示：您可以根据设备配置或训练需求，灵活调整如 epochs（训练轮次）、batch（批次大小）和 imgsz（图像尺寸）等参数，以优化训练效率和性能。

参数	含义	示例值
`train`	操作模式，指定当前命令为训练模式。	必须明确指定 `train`
`task`	指定任务类型。	`segment`（实例分割）、`detect`（目标检测）
`data`	数据集配置文件路径，定义训练集、验证集路径及类别信息。	`datasets/segment/seg/segment.yaml`
`model`	预训练权重文件路径，用于微调训练。	`weights/yolo11s-seg.pt`、`yolov8n-seg.pt`
`epochs`	训练的总轮数，表示数据集被遍历的次数。	`50`（快速训练）、`100`（标准训练）
`imgsz`	输入图像的尺寸（宽和高），所有图片会被缩放到这个大小进行训练。	`640`（默认值，推荐）、`512`（较小尺寸）
`batch`	每次训练的图片数量（批次大小），越大需要的显存越多。	`8`（低显存设备）、`16`（推荐值）、`32`
`workers`	数据加载线程数，`0` 表示使用主线程，适合 Windows 系统或资源受限的设备。	`0`（默认值）、`4`（推荐）、`8`（多线程加载）
`device`	指定训练设备。可以使用 GPU 或 CPU，数字代表 GPU 编号。	`0`（第 0 块 GPU）、`1`（第 1 块 GPU）、`cpu` （使用CPU）

运行结果

训练完成后，模型权重和日志文件将保存在默认的 runs/segment/train 文件夹中，可以通过以下方式查看：

权重文件：runs/segment/train/weights/ 下包含最新的训练权重（last.pt）和最佳权重（best.pt）。
训练日志：包含训练精度、损失值等信息。

五、验证测试

1、推理命令

使用 YOLOv8-Segment 进行实例分割推理测试：

yolo predict task=segment model=runs/segment/train/weights/best.pt source=/path/to/image.jpg conf=0.25 show=True

task=segment：指定任务类型为实例分割。
model：训练生成的模型权重路径。
source：指定推理的输入源，支持以下几种格式：
- 单张图片：/path/to/image.jpg
- 文件夹（多张图片）：/path/to/images/
- 视频文件：/path/to/video.mp4
- 摄像头：使用 0 表示默认摄像头。
- 网络流：支持 RTSP/HTTP URL，例如 rtsp://username:password@ip_address:port
conf：置信度阈值，默认为 0.25，设置更高的值可减少低置信度结果。
iou：IOU 阈值，默认为 0.45，调整后可以控制重叠目标的处理。
save：是否保存预测结果，默认开启。
show：是否直接显示推理结果。
device：指定运行设备
- GPU：0（第 0 块 GPU）、1（第 1 块 GPU）。
- CPU："cpu"。

2、自定义脚本

在 yolov8-segment 根目录下创建 segment_detect.py，内容如下：

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO("runs/segment/train/weights/best.pt")  # 替换为实际的权重路径

# 执行推理
model.predict(
    task="segment",                # 指定任务类型为实例分割
    source="path/to/image.jpg",    # 输入源：图片、视频、文件夹或摄像头（如 0 表示摄像头）
    conf=0.25,                     # 置信度阈值，过滤低置信度目标
    iou=0.45,                      # IOU 阈值，控制目标框的重叠过滤
    save=True,                     # 是否保存预测结果，默认保存到指定目录
    save_txt=False,                # 是否保存预测结果为文本
    save_conf=False,               # 是否保存预测框的置信度值
    show=True,                     # 是否实时显示预测结果
    device=0                       # 使用设备（0 表示第 0 块 GPU，或者 'cpu' 表示使用 CPU）
)

运行后，分割结果会保存到 runs/segment/predict 目录中，结果图片中将包含分割区域的掩码和轮廓，便于观察分割效果。

原文地址：https://blog.csdn.net/Natsuago/article/details/143793404

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

Windows电脑本地部署llamafile并接入Qwen大语言模型远程AI对话实战
Windows电脑本地部署llamafile并接入Qwen大语言模型远程AI对话实战
阅读更多2024-11-23
解决vm虚拟机中ctrl键粘滞问题（一直处于按下状态）
虚拟机中点击鼠标左键没有问题，单独按下键盘也没有问题，但是如果按下键盘的同时在按下鼠标左键就会卡住。而且100%稳定复现。发现问题原因：vm版本的问题，我的版本是17.5.0，升级成17.5.2 bu
阅读更多2024-11-23
第十章 JavaScript的应用
10.1.1 JavaScript简介1 简单性JavaScript 设计之初就考虑到了非专业程序员的使用，因此它的语法相对简单，容易上手。2 动态性JavaScript 是一种解释型语言，代码可以在
阅读更多2024-11-23
非root用户安装CUDA
4.下载完成后执行.run文件，需要添加两个参数，一个是--override，用于跳过某些检查或限制；另一个是--toolkitpath，它表示安装路径，必须是自己目录下面的路径，如果是根目录就会安装
阅读更多2024-11-23
Python操作neo4j库py2neo使用之py2neo 删除及事务相关操作（三）
【代码】## Python操作neo4j库py2neo使用之py2neo 删除及事务相关操作（三）
阅读更多2024-11-23
【通俗理解】Jensen不等式与变分分布q(z)在积分计算中的应用
Jensen不等式 #变分分布 #积分计算 #期望 #凸函数 #优化问题 #下界估计 #机器学习。
阅读更多2024-11-23
「Mac玩转仓颉内测版27」基础篇7 - 字符串类型详解
本篇将介绍 Cangjie 中的字符串类型，包括字符串的定义、字面量形式、插值表达、常用操作及应用场景，帮助开发者熟练掌握字符串的使用。
阅读更多2024-11-23
数据科学与SQL：组距分组分析 | 区间分布问题
绝对值分布分析也可以理解为组距分组分析。对于某个指标而言，一个记录对应的指标值的绝对值，肯定落在所有指标值的绝对值的最小值和最大值构成的区间内，根据一定的算法，在把这个区间划分为等距离的几个小区间，，
阅读更多2024-11-23
c++编译报C1004错误的原因及解决办法
可能是你的代码文件最后没有正确的结束符，或者是缺少了一些必要的头文件或语句。默认磁盘驱动器没有足够的空间用于临时文件，需要大约两倍于源文件的空间。编译器到达了源文件尾但未解析构造。计算结果为假的 #i
阅读更多2024-11-23
mysql 去重补全取出重复变量函数和存储过程
mysql 去重补全取出重复变量函数和存储过程
阅读更多2024-11-23

【目标检测】用YOLOv8-Segment训练语义分割数据集（保姆级教学）

前言

准备工作（必看）

一、下载 YOLOv8 源码

方法一：从官网直接下载（推荐）

方法二：通过 Git 克隆源码（适合有一定基础的用户）

文件结构简介

二、环境安装

1. 创建并激活 YOLOv8 环境

2. 配置Pytorch环境

检查NVIDIA GPU及其CUDA支持情况

方式一：使用Conda安装（推荐）

方式二：使用Pip安装

3. Pycharm中加载YOLOv8环境

4. 安装YOLOv8依赖项

三、数据集准备

3.1 数据集初始格式

文件夹结构示例

注意事项

3.2 数据集转换和分割

1. 新建转换脚本

2. 修改路径参数

数据集划分比例（segment_json2txt.py第90行左右）

参数说明及调整

3. 运行脚本

3.3 下载预训练权重

3.3.1 YOLOv8-Segment 预训练权重（已停用）

3.3.2 YOLOv11-Segment 预训练权重

四、训练模型

训练命令

运行结果

五、验证测试

1、推理命令

2、自定义脚本

相关文章

数据集划分比例（`segment_json2txt.py`第90行左右）