Yolov8：训练模子并部署到安卓端

目次
1. 训练前准备
1.1 网络训练数据，完成分类标记
1.2 划分训练集、验证集和测试集
1.3 定义训练参数文件
2. 训练模子
2.1训练数据
​2.2 验证数据
2.3 预测数据
3.安卓端部署
3.1 模子转换
3.2 将onnx文件转换成param、bin文件
3.3 修改相关配置参数
3.4 运行测试

---

上一篇 yolov8的完整部署 讲解了Yolov8模子的部署和运行
实际生活中，我们需要的检索目标，许多并不在官方给出的模子之中。那我们就需要训练本身的数据模子。
1. 训练前准备

1.1 网络训练数据，完成分类标记

首先，我们在根目次datasets/文件夹下像存放coco128数据的格式创建fire文件，在fire/文件下创建Myimages和Annotations文件夹，这个背面我们会用到。

这里我们要用到一个工具 labelimg，通过下面下令安装这个工具：

1. pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

 安装好以后，我们在fire文件夹下创建一个predefined_classed.txt文件， 在这个文件中，我们可以写入你本身定义的种别名称。每一个种别换一行。这里我指定以了三个分类 smog、fire、person

在下令管理器里输入下面下令，进入labelimg界面

1. labelimg predefined_classed.txt

复制代码

把网络的训练图片全部输入在fire目次下创建的Myimages文件夹

待标注图片数据的路径文件夹，选择Myimages文件夹

保存种别标签的路径文件夹，选择Annotations 文件夹

这个按键可以说明我们标注的标签为voc格式，点击可以换成yolo或者createML格式。
点击View，会出现如图红色框框中的选项。最好和我一样把勾勾勾上。

点击 Create RectBox，框选图片中的目标。保存名称为分类名。这里是smog、fire，然后点击Next Image切换写一个图片进行标记。

关闭labelimg,我们可以在Annotations 文件夹里，看到新天生的.xml文件。

1.2 划分训练集、验证集和测试集

在datasets目次下创建程序 xml2txt.py并运行，将XML格式转yolo_txt格式，代码如下（地址可修改）

1. import xml.etree.ElementTree as ET
2. import os, cv2
3. import numpy as np
4. from os import listdir
5. from os.path import join
7. classes = []
9. def convert(size, box):
10.     dw = 1. / (size[0])
11.     dh = 1. / (size[1])
12.     x = (box[0] + box[1]) / 2.0 - 1
13.     y = (box[2] + box[3]) / 2.0 - 1
14.     w = box[1] - box[0]
15.     h = box[3] - box[2]
16.     x = x * dw
17.     w = w * dw
18.     y = y * dh
19.     h = h * dh
20.     return (x, y, w, h)
22. def convert_annotation(xmlpath, xmlname):
23.     with open(xmlpath, "r", encoding='utf-8') as in_file:
24.         txtname = xmlname[:-4] + '.txt'
25.         txtfile = os.path.join(txtpath, txtname)
26.         tree = ET.parse(in_file)
27.         root = tree.getroot()
28.         filename = root.find('filename')
29.         img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:-4], postfix), np.uint8), cv2.IMREAD_COLOR)
30.         h, w = img.shape[:2]
31.         res = []
32.         for obj in root.iter('object'):
33.             cls = obj.find('name').text
34.             if cls not in classes:
35.                 classes.append(cls)
36.             cls_id = classes.index(cls)
37.             xmlbox = obj.find('bndbox')
38.             b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
39.                  float(xmlbox.find('ymax').text))
40.             bb = convert((w, h), b)
41.             res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))
42.         if len(res) != 0:
43.             with open(txtfile, 'w+') as f:
44.                 f.write('\n'.join(res))
46. if __name__ == "__main__":
47.     postfix = 'jpg'
48.     imgpath = 'fire/Myimages'
49.     xmlpath = 'fire/Annotations'
50.     txtpath = 'fire/Mylabels'
52.     if not os.path.exists(txtpath):
53.         os.makedirs(txtpath, exist_ok=True)
55.     list = os.listdir(xmlpath)
56.     error_file_list = []
57.     for i in range(0, len(list)):
58.         try:
59.             path = os.path.join(xmlpath, list[i])
60.             if ('.xml' in path) or ('.XML' in path):
61.                 convert_annotation(path, list[i])
62.                 print(f'file {list[i]} convert success.')
63.             else:
64.                 print(f'file {list[i]} is not xml format.')
65.         except Exception as e:
66.             print(f'file {list[i]} convert error.')
67.             print(f'error message:\n{e}')
68.             error_file_list.append(list[i])
69.     print(f'this file convert failure\n{error_file_list}')
70.     print(f'Dataset Classes:{classes}')

复制代码

运行完成后再Mylabels文件下会天生xml文件对应的txt文件，保存不同图像的标注文件，每个图像对应一个txt文件，文件每一行为一个目标的信息，分别为class, x_center, y_center, width, height，这种为 yolo_txt格式。

将Myimages和Mylabels中的文件划分训练、验证、测试集，创建split_data.py并运行可完成此操作，代码如下（更改val_size和test_size控制验证和测试集比例）

1. import os, shutil
2. from sklearn.model_selection import train_test_split
4. val_size = 0.1
5. test_size = 0.2
6. postfix = 'jpg'
7. imgpath = 'fire/Myimages'
8. txtpath = 'fire/Mylabels'
10. os.makedirs('fire/images/train', exist_ok=True)
11. os.makedirs('fire/images/val', exist_ok=True)
12. os.makedirs('fire/images/test', exist_ok=True)
13. os.makedirs('fire/labels/train', exist_ok=True)
14. os.makedirs('fire/labels/val', exist_ok=True)
15. os.makedirs('fire/labels/test', exist_ok=True)
17. listdir = [i for i in os.listdir(txtpath) if 'txt' in i]
18. train, test = train_test_split(listdir, test_size=test_size, shuffle=True, random_state=0)
19. train, val = train_test_split(train, test_size=val_size, shuffle=True, random_state=0)
20. print(f'train set size:{len(train)} val set size:{len(val)} test set size:{len(test)}')
22. for i in train:
23.     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'Myimages/train/{}.{}'.format(i[:-4], postfix))
24.     shutil.copy('{}/{}'.format(txtpath, i), 'Mylabels/train/{}'.format(i))
26. for i in val:
27.     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'Myimages/val/{}.{}'.format(i[:-4], postfix))
28.     shutil.copy('{}/{}'.format(txtpath, i), 'Mylabels/val/{}'.format(i))
30. for i in test:
31.     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'Myimages/test/{}.{}'.format(i[:-4], postfix))
32.     shutil.copy('{}/{}'.format(txtpath, i), 'Mylabels/test/{}'.format(i))

复制代码

运行完目次

1.3 定义训练参数文件

在  fire 文件夹下 新建一个 fire.yaml文件，具体内容如下

• train： 训练图片路径
  
• val：验证图片路径
  
• test: 测试图片路径
  
• names: 训练的类名称聚集
  

修改yolov8.yaml，nc背面的参数改为训练的类数量

2. 训练模子

2.1训练数据

输入训练下令

1. yolo task=detect mode=train model=yolov8s.pt data=datasets/fire/fire.yaml epochs=100 batch=4

复制代码

训练好的模子会被保存在 yolov8 目次下的 runs/detect/train/weights/ 下，天生 best.pt,last.pt文件。

2.2 验证数据

输入验证下令，用训练好的模子去验证

1. yolo task=detect mode=val model=runs/detect/train4/weights/best.pt  data=datasets/fire/fire.yaml device=cpu

复制代码

验证数据会被保存在 yolov8 目次下的 runs/detect/val/下，

2.3 预测数据

1. yolo task=detect mode=predict model=runs/detect/train4/weights/best.pt source=datasets/fire/images/val  device=cpu

复制代码

测试输出的数据会被保存在 yolov8 目次下的 runs/detect/predict/下

3.安卓端部署

上一篇yolov8模子安卓端部署具体先容了部署步骤，现在只需将yolov8模子替换成本身训练的模子并修改相关参数即可
3.1 模子转换

转换本身训练的pt权重为ncnn格式
我们接纳.pt ->onnx->ncnn的门路来转换本身训练的模子
（1）修改ultralytics/ultralytics/nn/modules/block.py中的class C2f(nn.Module)如下：

1. def forward(self, x):
2.         """Forward pass through C2f layer."""
3.         # y = list(self.cv1(x).chunk(2, 1))   #注释
4.         # y.extend(m(y[-1]) for m in self.m)  #注释
5.         # return self.cv2(torch.cat(y, 1))    #注释
7.         x = self.cv1(x)
8.         x = [x, x[:, self.c:, ...]]
9.         x.extend(m(x[-1]) for m in self.m)
10.         x.pop(1)
11.         return self.cv2(torch.cat(x, 1))

复制代码

（2）修改ultralytics/ultralytics/nn/modules/head.py中的class Detect(nn.Module)改动如下：

1. def forward(self, x):
2.         """Concatenates and returns predicted bounding boxes and class probabilities."""
3.         # if self.end2end:
4.         #     return self.forward_end2end(x)
5.         #
6.         # for i in range(self.nl):
7.         #     x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)
8.         # if self.training:  # Training path
9.         #     return x
10.         # y = self._inference(x)
11.         # return y if self.export else (y, x)
13.         shape = x[0].shape  # BCHW
14.         for i in range(self.nl):
15.             x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)
16.         if self.training:
17.             return x
18.         elif self.dynamic or self.shape != shape:
19.             self.anchors, self.strides = (x.transpose(0, 1) for x in make_anchors(x, self.stride, 0.5))
20.             self.shape = shape
21.         # 中间部分注释掉，return语句替换为
22.         return torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2).permute(0, 2, 1)

复制代码

（3）安装onnx包，在终端运行下面下令

1. pip install onnx coremltools onnx-simplifier

复制代码

（4）根据官方文档，创建demo.py，将pt权重文件转换成onnx格式，代码如下

1. # 将模型导出为 ONNX 格式
3. from ultralytics import YOLO
5. model = YOLO("runs/detect/train4/weights/best.pt")
7. success = model.export(format="onnx", simplify=True, opset=11)

复制代码

opset的参数（11、12、13皆可），使用其他会造成手机上运行出现许多框重叠错误识别
（5）对onnx文件进行压缩，进入到onnx文件所在目次，运行下面下令

1. python -m onnxsim best.onnx best-sim.onnx

复制代码

压缩完之后会天生一个best-sim.onnx的文件，这一步是必须的，假如这一步不做，背面ONNX转NCNN大概会报错
完成上面步骤包含pt文件的weights目次下会天生对应文件

3.2 将onnx文件转换成param、bin文件

将best.onnx转成param和bin文件，可以下载以下文件之一 
地址：Releases · Tencent/ncnn · GitHub

解压后，打开文件夹，并将best.onnx复制到该文件夹的对应位置，地址栏输入cmd后，在打开的下令行窗口输入onnx2ncnn.exe best-sim.onnx best.param best.bin回车即可，原文件夹天生了需要的bin文件和param文件

3.3 修改相关配置参数

（1）替换本身的模子到assets下

（2）修改strings.xml文件

把item替换为本身模子的名字
（3）修改yolov8ncnn.cpp文件
修改modeltypes变量为本身模子的名字，target_sizes为320，具体代码如下：

（4）修改yolo.cpp文件
1）Yolo::load方法中，模子名字修改，代码如下图：

2）Yolo::detect方法中，输入输出的名字修改。
可以使用onnx，通过网站link进行输入输出名字的查察。

具体修改代码内容如下：

这里修改了输入为Myimages，输出为output0
3）Yolo::draw方法中，修改class_names为你的种别名。这个模子中，只有一个种别，所以这里设置为smog、fire、person

4）修改yolo.cpp中的方法generate_proposals
修改num_class为你对应的种别数量，我们这里是一类，所以是3，具体代码如下：

完成上述步骤后，直接运行
3.4 运行测试

连上手机，点击run按钮，编译安装调试，运行成功，手机端已经安装好这个APP

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。