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：

1. # 使用与CUDA 11.2兼容的PyTorch官方镜像作为基础镜像
2. # 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！
3. FROM pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime
5. # 所需要的包
6. RUN pip install scipy -i https://mirrors.aliyun.com/pypi/simple
7. RUN pip install numpy -i https://mirrors.aliyun.com/pypi/simple
8. RUN pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple
9. RUN pip install tqdm -i https://mirrors.aliyun.com/pypi/simple
10. RUN pip install PyYAML -i https://mirrors.aliyun.com/pypi/simple
11. RUN pip install Pillow -i https://mirrors.aliyun.com/pypi/simple
12. RUN pip install opencv_python -i https://mirrors.aliyun.com/pypi/simple
13. RUN pip install tensorboard -i https://mirrors.aliyun.com/pypi/simple
14. RUN pip install h5py -i https://mirrors.aliyun.com/pypi/simple
15. RUN pip install Seaborn -i https://mirrors.aliyun.com/pypi/simple
16. RUN pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple
17. RUN pip install yolo -i https://mirrors.aliyun.com/pypi/simple

复制代码

然后依次运行以下脚本：

1. [root@hcs my_docker]# pwd
2. /data/ai/my_docker
4. [root@hcs my_docker]# ls
5. Dockerfile
7. [root@hcs my_docker]#  docker build -t yolov8 .

复制代码

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

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.pt

然后将下载好的yolov8n.pt放在ultralytics-main代码包文件夹下，如下所示：

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）：

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：

1. C:\Users\coke> pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

等待下载安装成功之后，继承输入以下代码打开labelimg。

1. C:\Users\coke> labelimg

复制代码

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。

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。

1. # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
2. path: /data/ai/ultralytics-main/datasets/chemical # dataset root dir
3. train: images/train # train images (relative to 'path') 128 images
4. val: images/val # val images (relative to 'path') 128 images
5. test: # test images (optional)
7. nc: 14
8. names:
9.   ['烧杯',
10.    '三角烧瓶',
11.    '三角漏斗',
12.    '试管',
13.    '分液漏斗',
14.    '蒸发皿',
15.    '量筒',
16.    '酒精灯',
17.    '托盘天平',
18.    '坩埚',
19.    '胶头滴管',
20.    '玻璃棒',
21.    '滴瓶',
22.    '冷凝管'
23.   ]

复制代码

至此，数据集预备竣事，如下所示：

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。

1. [root@hcs ~]# docker run --gpus all --ipc=host -p 8888:8888 -v /data/ai/ultralytics-main:/data/ai/ultralytics-main -it yolov8 /bin/bash

复制代码

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：

1. from ultralytics import YOLO
3. # Load a model
4. model = YOLO('yolov8n.yaml')  # load a pretrained model (recommended for training)
5. model.load('yolov8n.pt')
6. # Train the model
7. model.train(
8.     data='datasets/chemical/chemical.yaml',
9.     epochs=50,   # 根据数据量调整
10.     batch=4,   # 根据实际调整
11.     workers=2,
12.     device=0,
13.     imgsz=(640,640),
14.     lr0=0.01,
15.     resume=True,
16.     )

复制代码

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：

末告终果会生存在runs/detect/train文件夹下（因练习的次数而异）。

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：

1. from ultralytics import YOLO
3. if __name__ == "__main__":
4.     # 加载刚刚训练好的模型地址（注意路径！）
5.     model = YOLO('runs/detect/train6/weights/best.pt')
6.     # Validate the model
7.     metrics = model.val(
8.         val = True,
9.         data = 'datasets/chemical/chemical.yaml',
10.         split = 'val',
11.         batch = 4,
12.         imgsz = (640,640),
13.         workers = 2,
14.         device = 0
15.             )  # no arguments needed, dataset and settings remembered
16.     print(f"mAP50-95: {metrics.box.map}") # map50-95
17.     print(f"mAP50: {metrics.box.map50}")  # map50
18.     print(f"mAP75: {metrics.box.map75}")  # map75

复制代码

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）。

（3）推理

推理脚本detect.py，代码如下：

1. from ultralytics import YOLO
3. if __name__ == "__main__":
4.     # 加载刚刚训练好的模型地址，注意路径！
5.     model = YOLO("runs/detect/train6/weights/best.pt")  
7.     # Predict with the model
8.     results = model(
9.         source = "/data/ai/ultralytics-main/datasets/chemical/pre_img",
10.         save=True,
11.         imgsz=640,
12.         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

复制代码

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。