json格式数据集转换为yolo格式进行准备。使用yaml文件构建数据集配置文件,示例文件为balloon-seg.yaml。选择官方定义的模型结构如 yolov8n-seg,yolov8s-seg,yolov8l-seg 或自定义结构通过修改yaml文件实现。使用 ultralytics 原生接口与 torchkeras 的KerasModel接口两种方法训练模型。通过评估 map等指标来...
30分钟吃掉YOLOv8实例分割范例
本范例使用 torchkeras 实现对 ultralytics 中的YOLOv8实例分割模型进行自定义训练,目标是对气球进行检测和分割。
对比 ultralytics 的便捷训练 API,尽管 torchkeras 的实现可能多此一举,但其代码结构相对简单,方便进行个性化控制和修改。
torchkeras 在可视化上优于 ultralytics 原生训练代码,提升用户体验。
本文内容帮助读者了解 ultralytics 库代码结构,提供源码参考。
数据集整理成yolo数据集格式,实例分割模型标签文件需以相对图片长宽的坐标表示。
json格式数据集转换为yolo格式进行准备。
使用yaml文件构建数据集配置文件,示例文件为balloon-seg.yaml。
选择官方定义的模型结构如 yolov8n-seg,yolov8s-seg,yolov8l-seg 或自定义结构通过修改yaml文件实现。
使用 ultralytics 原生接口与 torchkeras 的KerasModel接口两种方法训练模型。
通过评估 map等指标来检验模型性能,再次保存权重后,使用 ultralytics 的原生YOLO接口进行加载评估。
最后,将训练好的模型导出为 onnx 格式,源码见torchkeras仓库examples路径。2024-11-08