YOLOv8分类模型训练

YOLOv8的分类模型不像目标检测和实例分割模型，它的训练不需要yaml文件，配置比较简单，只需要将数据集根目录作为训练参数即可。下面是具体步骤：

1、构建数据集

数据集目录结构

|—data_dir   （数据集根目录）

     |—train     （训练集目录）

         |—class1       (类别1)

         |—class2     （类别2）

          .......

     |—val     （验证集目录）

         |—class1       (类别1)

         |—class2     （类别2）

          .......

2、数据增强

如果数据集需要数据增强，则可以对图像进行亮度、噪声、旋转、高斯模糊等操作，但增强后的数据集结构需要与原始数据保持一致。如果不需要数据增强，可以直接进行训练。

3、训练代码

训练代码非常简单，只需要把数据集根目录作为参数即可。另外，需要注意使用预训练模型时需要指定后缀为“-cls.pt”。

from ultralytics import YOLO

if __name__ == '__main__':

    # 数据集所在的根目录
    data_path = r"D:\data_dir"

    print("执行分类训练")
    model = YOLO("weights/yolov8n-cls.pt")  # 加载分类模型

    # 训练模型
    results = model.train(data=data_path, epochs=100)

    # 评估模型
    metrics = model.val()  

4、训练后的标签说明

训练之后的模型中会存储各个类别的id，类别的id按照首字母顺序排序，例如：数据集中有三个分类car、human、dog，标签顺序则为{"0":"car", "1": "dog", "2": "human"}。