Docker搭建yolov8并练习、验证、推理化学仪器数据集
目录1、安装docker
2、创建yolov8镜像
3、下载代码包
4、下载模子预练习权重
5、制作数据集
6、练习、验证及推理
（1）练习
（2）验证
（3）推理
中文标签表现问题
本文通过docker的方式搭建yolov8运行环境，并成功练习了化学仪器数据集，其中练习数据215张，验证数据65张，推理数据10张，类别一共14（此数据集由于纯手工采集，因此数据量小，各人选择的数据集尽量丰富一点）
1、安装docker
在一台有网络的服务器上安装docker，建议参考我之前的文章：Docker基础学习-CSDN博客
2、创建yolov8镜像
首先编写Dockerfile文件（为啥不用yolov8自带的Dockerfile文件，重要是由于试过但报错太多，不好解决，所以换一种风险低的方式），内容如下所示：
# 使用与CUDA 11.2兼容的PyTorch官方镜像作为基础镜像
# 使用nvidia-smi查看服务器CUDA 版本，然后参考PyTorch官方说明来选择合适的镜像，否则会出错！
FROM pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime
# 所需要的包
RUN pip install scipy -i https://mirrors.aliyun.com/pypi/simple
RUN pip install numpy -i https://mirrors.aliyun.com/pypi/simple
RUN pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple
RUN pip install tqdm -i https://mirrors.aliyun.com/pypi/simple
RUN pip install PyYAML -i https://mirrors.aliyun.com/pypi/simple
RUN pip install Pillow -i https://mirrors.aliyun.com/pypi/simple
RUN pip install opencv_python -i https://mirrors.aliyun.com/pypi/simple
RUN pip install tensorboard -i https://mirrors.aliyun.com/pypi/simple
RUN pip install h5py -i https://mirrors.aliyun.com/pypi/simple
RUN pip install Seaborn -i https://mirrors.aliyun.com/pypi/simple
RUN pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple
RUN pip install yolo -i https://mirrors.aliyun.com/pypi/simple
然后依次运行以下脚本：
# pwd
/data/ai/my_docker
# ls
Dockerfile
#docker build -t yolov8 .
出现了successful时说明镜像创建成功。
3、下载代码包
下载地址：https://github.com/ultralytics/ultralytics
https://img-blog.csdnimg.cn/direct/7db845f8310c401aaec78f47f30667d9.png
4、下载模子预练习权重
我选择了yolov8n的预练习权重，地址：https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pthttps://img-blog.csdnimg.cn/direct/1d998c3671264890966f01eae1580ef4.png
然后将下载好的yolov8n.pt放在ultralytics-main代码包文件夹下，如下所示：
https://img-blog.csdnimg.cn/direct/d7a8649c07634c6a813bb90d5f1564e6.png
5、制作数据集
拍摄化学仪器照片，并对图片举行剪裁、旋转、降噪等操作，增加样本数量。图片生存的位置很有讲究，将采集的图片数据集放在ultralytics-main文件夹的datasets下面的images文件夹，分为train和val，都要放入图片。如下所示（命名同等）：
https://img-blog.csdnimg.cn/direct/d932d91e9f5e4c6991542d2b0cc149d1.png
https://img-blog.csdnimg.cn/direct/f0b25adb4a874b979824c09166d6d68d.png
然后利用LabelImg工具举行数据标注，打开cmd或者conda假造环境下安装：
C:\Users\coke> pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple 等待下载安装成功之后，继承输入以下代码打开labelimg。
C:\Users\coke> labelimg https://img-blog.csdnimg.cn/direct/d648b65b4a2c4315aaff3b4b63caf8b1.png
上传的文件夹就是刚刚/data/ai/ultralytics-main/datasets/chemical/images/train文件夹，生存就是
/data/ai/ultralytics-main/datasets/chemical/labels/train文件夹，一一对应，验证集也是如此。其中Create RectBox就是标志辨认方框，然后对每张图片标志得到相应的标签文本，如下图所示。
https://img-blog.csdnimg.cn/direct/c46afffd8b554388ad49feb66aca814b.png
https://img-blog.csdnimg.cn/direct/3b70d6ea990b441dba37bc9822fc755d.png
末了编写chemical.yaml文件，注意path路径写绝对路径，names代表分类，我的数据集分为两类，因此就是0：类别1,1：类别2，2：类别3....以此类推。
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list:
path: /data/ai/ultralytics-main/datasets/chemical # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: # test images (optional)
nc: 14
names:
['烧杯',
'三角烧瓶',
'三角漏斗',
'试管',
'分液漏斗',
'蒸发皿',
'量筒',
'酒精灯',
'托盘天平',
'坩埚',
'胶头滴管',
'玻璃棒',
'滴瓶',
'冷凝管'
]
至此，数据集预备竣事，如下所示：
https://img-blog.csdnimg.cn/direct/c8b2db6b73dc420a881395643d7c3e77.png
6、练习、验证及推理
（1）练习
进入容器，其中端口映射可以改成你服务器空闲端标语，/data/ai/ultralytics-main换成你ultralytics-main文件夹地址,yolov8换成你容器名称。
# docker run --gpus all --ipc=host -p 8888:8888 -v /data/ai/ultralytics-main:/data/ai/ultralytics-main -it yolov8 /bin/bash 在ultralytics-main文件夹下，按理说运行终端下令yolo detect train data=datasets/chemical/chemical.yaml model=yolov8n.yaml pretrained=./yolov8n.pt epochs=100 batch=4 lr0=0.01 resume=True就能成功运行，但是提示yolo没有detect下令等相干错误，因此查询yolo官网，我换成以python脚本的形式来举行练习。
在ultralytics-main文件夹下新建train.py，代码如下：
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.yaml')# load a pretrained model (recommended for training)
model.load('yolov8n.pt')
# Train the model
model.train(
data='datasets/chemical/chemical.yaml',
epochs=50, # 根据数据量调整
batch=4, # 根据实际调整
workers=2,
device=0,
imgsz=(640,640),
lr0=0.01,
resume=True,
)
wq生存退出后，运行python train.py，出现下面的界面就表示运行成功：
https://img-blog.csdnimg.cn/direct/ecb75b8855c241519ff5f7a598462d36.png
https://img-blog.csdnimg.cn/direct/1e7f41752c624d57a21ae323972a1d25.png
https://img-blog.csdnimg.cn/direct/c75f9cedc458411eb7b6cabf958a2916.png
末告终果会生存在runs/detect/train文件夹下（因练习的次数而异）。
https://img-blog.csdnimg.cn/direct/b8e5aec1354d496d8d424ce51abe4cb2.png
至此，通过docker容器利用yolov8练习自己的数据集就完成啦~
（2）验证
验证脚本val.py，代码如下：
from ultralytics import YOLO
if __name__ == "__main__":
# 加载刚刚训练好的模型地址（注意路径！）
model = YOLO('runs/detect/train6/weights/best.pt')
# Validate the model
metrics = model.val(
val = True,
data = 'datasets/chemical/chemical.yaml',
split = 'val',
batch = 4,
imgsz = (640,640),
workers = 2,
device = 0
)# no arguments needed, dataset and settings remembered
print(f"mAP50-95: {metrics.box.map}") # map50-95
print(f"mAP50: {metrics.box.map50}")# map50
print(f"mAP75: {metrics.box.map75}")# map75
然后再python val.py即可成功！结果在runs/detect/val2文件夹下（因现实环境而异）。
https://img-blog.csdnimg.cn/direct/cba8b9c51ee14ef3a50243693e58d075.png
（3）推理
推理脚本detect.py，代码如下：
from ultralytics import YOLO
if __name__ == "__main__":
# 加载刚刚训练好的模型地址，注意路径！
model = YOLO("runs/detect/train6/weights/best.pt")
# Predict with the model
results = model(
source = "/data/ai/ultralytics-main/datasets/chemical/pre_img",
save=True,
imgsz=640,
conf=0.5)# 用于检测的目标置信度阈值（默认为0.25，用于预测，0.001用于验证 然后再python detect.py即可成功！
中文标签表现问题
参考文章：
YOLOv5,v8中文标签表现问题_yolo8中文标签-CSDN博客
YOLOv8中文标签表现不了如何解决_yolov8混淆矩阵中文标签-CSDN博客
SimHei字体（永久有用）_simhei字体怎么下载-CSDN博客
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]