先到 pytorch 官網 對應一下CUDA版本及指令

我的環境是：

  • Python 3.10
  • Nvidia driver 522.25
  • Cuda 11.7
  • Conda
  • Cudnn 8.7

安裝方式可參閱此篇文章 ：Win10用 Anaconda 建 3070系列的 Tensorflow 深度進修情況


先下載CUDA 11.7 載點

下載安裝好今後，把CUDNN 三個目次COPY到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7下


到PyCharm 終端機下指令先建一個虛擬環境

  1. conda create -n python310 python=3.10.0
  2. conda activate python310
複製代碼

安裝TORCH

  1. conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
複製代碼
  1. pip install opencv-contrib-python
  2.  
複製代碼
  1. pip install torch==2.0.1+cu117 torchvision==0.15.2+cu117 -f https://download.pytorch.org/whl/torch_stable.html
  2.  
複製代碼
  1. pip list
複製代碼





v8 是由 v5 的原創公司 Ultralytics 改進的

改進特點

根據YOLO v8 官網文件說明，主要改進特點以下：
  • 提供一個框架，可履行之前所有版本的模子。
  • 全新的骨幹網路模子(Backbone network)。
  • 不利用事前設定的偵測框(anchor-free detection head)。
  • 利用新的損失函數(Loss function)。
  • CPU/GPU兼容。
  • 練習時候縮短為60%。
  • 預測更準確(mAP)，以下圖。

YOLO v8 vs. v7 參數目與 mAP 比較，圖片起原：YOLO v8 GitHub





1.測試

打開終端機或cmd，輸入以下指令，進行物件偵測：
  1. yolo predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"
複製代碼
原圖
存檔位置預設在 runs\detect\predict 資料夾下。
 
 


 

或也能夠從頭入手下手練習模子，在YOLO安裝的資料夾下尋覓各Model的yaml檔
如選擇yolov8.yaml
準備一個yaml來描寫這些資料的位置，如以下data.yaml的內容
  1. path: d:/yolo
  2. train: ./train/images
  3. val: ./valid/images
  4. test: ./test/images
  5. nc: 1
  6. names: [‘dog’]
複製代碼
 
用Python指令來進行訓練
  1. from ultralytics import YOLO
  2. import multiprocessing
  3. model = YOLO("yolov8.yaml")
  4. model.train(data="data.yaml",
  5.             mode="detect",
  6.             epochs=100,
  7.             imgsz=640,
  8.             device="cpu")
複製代碼
 
其中device參數若未指定章會利用GPU進行練習，device=0即使用第一張GPU卡，也可device=0,1利用2張卡來進交運算，而device=cpu即使用CPU來運算
以上便是簡單的進行練習與測試講授

 

 
別的需注意檔案設定 C:\Users\Administrator\AppData\Roaming\Ultralytics\settings.yaml


描述

  1. settings_version: 0.0.4
  2. datasets_dir: D:\yolo\datasets
  3. weights_dir: weights
  4. runs_dir: runs
  5. uuid: 8dfc68cd7948fa055541ec71f7687a994797279b020c6df0479825ff19aafdf9
  6. sync: true
  7. api_key: ''
  8. clearml: true
  9. comet: true
  10. dvc: true
  11. hub: true
  12. mlflow: true
  13. neptune: true
  14. raytune: true
  15. tensorboard: true
  16. wandb: true
複製代碼

datasets路徑 D:\yolo\datasets


參考文章
https://hackmd.io/@luckychi/yolov8_simple_tutorial
https://ithelp.ithome.com.tw/articles/10311114

https://blog.csdn.net/qq_26938321/article/details/128697956
https://www.cnblogs.com/thx2199/p/17165169.html

文章出處： NetYea 網頁設計

 

 

文章標籤
全站熱搜
創作者介紹
創作者 valeritmfov8 的頭像
valeritmfov8

苗栗網頁設計

valeritmfov8 發表在 痞客邦 留言(0) 人氣(0)