# D-YOLOv8

**Repository Path**: bxnd/D-YOLOv8

## Basic Information

- **Project Name**: D-YOLOv8
- **Description**: 该项目是本人（D-Studio）通过在Yolov8项目开发的新的gui检测程序。通过本项目可直接完成包含模型训练，摄像机实时检测，图片检测，视频检测等任务
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 8
- **Created**: 2024-05-28
- **Last Updated**: 2024-05-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# D-yolov8
# 1.简介
该项目是本人（D-Studio）通过在Yolov8项目开发的新的gui检测程序。通过本项目可直接完成包含模型训练，摄像机实时检测，图片检测，视频检测等任务
本项目所使用的yolov8来自2023.12.8日最新版，若后续版本与本人目前所使用版本有较大差异，建议直接下载本项目（包含yolov8，但是应该不是读者看到的最新版了，这里特此声明）
# 2.简单使用
## 2.1 数据来源
若有现成的模型，可以跳过这一步到第2.5gui界面使用
数据来源，如果是初学者，不妨直接用作者在本项目中已经提供的眼镜数据集（在datasets文件夹中，包含test，train，val这三个文件夹，和一个名为d.yaml的文件，总共包含作者标注的500张图片和对应的500个txt文件，分成了100，50，350给这三个文件夹）。
![Alt text](md_img/image.png)
所以如果读者作为新手，最好能够先成功训练本项目提供您的数据集
## 2.2 数据集标注
当你能够成功训练本项目提供的数据集，那么理论上也可以自己准备的数据集了（如果可以的话，图片命名为0001，0002，...，0999这样的形式），关于数据集标注有很多工具，作者推荐使用labelImg这个工具，安装：pip install labelImg即可（请确保python版本不要太高，作者使用的是python3.9.7）
使用如下：
安装完成后，重新打开一个控制台，输入labelImg并回车：
![Alt text](md_img/image-1.png)
之后出现界面：
![Alt text](md_img/image-3.png)
接着打开openDir，选择自己数据集所在的文件夹，打开后如下：
![Alt text](md_img/image-4.png)
请确保数据集保存格式为yolo，点击如下按钮即可：
点击前：
![Alt text](md_img/image-5.png)
点击后：
![Alt text](md_img/image-6.png)
接着就可以开始画框框了，这里可以按下快捷键w，画好之后如下：
![Alt text](md_img/image-7.png)
记得打开自动保存功能：
![Alt text](md_img/image-8.png)
接着按下快捷键d进入下一张，以此类推，直到结束
## 2.3 数据集划分
经过2.2数据集标注后，你将会得到一个文件夹，其中有着图片和对应数量和名称的txt文件，接着将这些图片和对应txt文件分成8：1：1(作者这里是7：2：1,对结果影响其实不会太大)分别放入train，test，val文件夹中，之后分别在这三个文件夹中将图片和txt文件放在images和label文件夹中，如下：
![Alt text](md_img/image.png)
这里为了方便，提供一个脚本，自动化完成划分数据集，请在桌面新建一个文件夹，将你的数据所在的文件夹（作者这里起名为dataset_raw）复制一份到这个文件夹中，将桌面新建的文件夹用vscode打开，如下：
![Alt text](md_img/image-9.png)
![Alt text](md_img/image-10.png)
接着将该项目下的splite_dataset.py的文件移动到桌面新建的文件夹中，当前文件结构如下：
![Alt text](md_img/image-12.png)
运行该脚本，得到dataset文件夹：
![Alt text](md_img/image-13.png)
接着在这个文件夹中新建一个yaml的文件（作者这里为d.yaml）并写入如下：
![Alt text](md_img/image-14.png)
【注意】：这里由于作者示范的数据集只设置了一个种类，glassees，因此在name下只有0: glasses，如果还有其他种类，请加上，如1: orange
到此，数据集准备完毕，可将dataset文件夹移动至项目文件夹中，为了防止命名冲突，作者这里将其命名为dataset_glasses,得到如下目录：
![Alt text](md_img/image-15.png)

## 2.4 训练
如果读者没有NVIDIA GPU，终端运行如下命令
yolo train data=dataset_glasses/d.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=8 workers=0 device=cpu

如果有，运行：
yolo train data=dataset_glasses/d.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=32 workers=8 device=0

其中，workers可以适当调大（默认8，建议不超过4），给workers加上1，2，3等数字，可能发生线程错误，当发生时，应设置其为0或者重新运行；epochs可以适当减小（比如40），以减小运行时间，但是模型精度也会减小；batch也可以设置为16，32，64等，越大理论上越精确，越快，但是请保证有充足的内存或者GPU
运行截图：
![Alt text](md_img/image-16.png)
![Alt text](md_img/image-17.png)
![Alt text](md_img/image-18.png)

## 2.5 检测
终端切换到src，qt_res文件夹内，runcode即可，如下：
![Alt text](md_img/image-19.png)
接下来看图使用即可
![Alt text](md_img/image-20.png)
![Alt text](md_img/image-21.png)
![Alt text](md_img/image-22.png)
![Alt text](md_img/image-23.png)