YOLOV8：You Only Look Once目标检测代码说明

代码目录

1. nets文件夹放的是YOLOV8模型的网络搭建代码。 其中，backbone.py是主干网络；yolo.py用于组装完整的yoloV8网络模型； attention.py是常见的机制注意力机制，可以通过即插即用的方式插入到网络的不同输出层； EAM_attention_module.py是最终采用的EAM注意力代码，添加在了主干网络中， 将YOLOV8原本的C2F结构改进成了C2F_EMA结构；yolo_training.py定义了模型训练所需要的损失函数、 学习率下降策略、BBox的计算方式等一系列功能函数。
2. utils文件夹存放的是训练和评估所需要的一系列工具方法的代码。 callbacks.py定义了训练过程和验证过程的记录方法。 dataloader.py定义了训练数据读取的方法。 utils.py定义了图像装换、类别获取等一些工具方法。 utils_bbox.py定义了锚框值转换、非极大值抑制等方法。 utils.fit.py定义了对一次训练的过程的组装函数。 utils_map.py定义了通过热力图评估的方法。
3. model_data文件夹存放了训练所需要的预训练模型及最终用于推理的onnx模型等。
4. VOCdevkit文件夹存放了原始数据集。
5. voc_annotation.py用来在准备阶段将VOC数据集转成成yolo格式数据集。并切分训练集、验证集。
6. summary.py用来查看整个网络结构及其参数量。
7. train.py是用来执行训练的代码。
8. yolo.py定义了在模型训练好之后，进行预测所需要的支持函数，包含了predict.py能够执行的若干前置方法。
9. predict.py是用来进行模型转换和测试的接口，可以指定不同的参数来执行。

执行过程说明

1. 执行voc_annotation.py准备数据，可以根据当前数据集生成的情况，选择1/2/3三种模式。
2. 执行train.py进行训练，需要结合训练过程的实际情况，指定不同的参数进行模型的权重文件训练。
3. 修改yolo.py中相关参数，如model_path、phi、confidence、nms_iou等，一般情况下只需要修改model_path和phi， 并确保其对应的yolo缩放系数一致即可。
4. 执行predict.py。在模型为转换成onnx之前，需要先指定--mode export_onnx，后续可根据需要预测的方法指定参数执行， 单张图片指定参数为--mode predict，多张图片可直接指定文件夹--mode dir_predict，摄像头测试指定参数为--mode video等。 具体参数介绍已在代码中进行注释。
5. 执行csvResultsGenetate.py可以生成比赛所需要提交的预测表，前提是需要先将模型转换成onnx。

模型镜像下载地址为：