Ultralytics의 YOLOv8은 23년 1월에 출시된 모델이다. YOLOv5를 만든 곳과 동일하다. 그래서 github 와 docs등이 인터넷에 아주 잘 설명이 되어있다. 막연히 최신버전이라고 가장 좋은 성능을 나타내는 것은 아니라고 알고 있다. 상황에 따라서 각자 가진 dataset에 따라서 적합한 모델을 사용하면 될 것 같다. 또한 YOLOv8은 아래와 같이 다양한 Task를 수행할 수 있다. 여기서는 object Detection을 중심으로 다뤄볼 예정이다. 다른 Task도 시간이 나면 다룰 예정이다. 이전 글을 보면 감이 오겠지만
YOLOv5 부터는 custom Train을 하는 방법이 큰 틀에서는 비슷한 것 같다. 파일 디렉터리의 순서, 패키지 버전만 주의하면 될듯하다.
일단 아나나콘다 환경에서 아래의 명령어를 입력해 yolov8 가상환경을 생성하고 가상환경을 실행한다.
$ conda create -n yolov8 pyton=3.8
$ conda activate yolov8URL : https://github.com/ultralytics/ultralytics을 입력해 git clone을 진행한다. 디렉토리는 사용자가 편한 곳으로 설정한다.
지원하는 버전은 Python>=3.8.0 및 PyTorch>=1.8 환경에서 실행이 되므로 다음과 같이 Pytorch를 설치를 해준다.
$ conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=10.2 -c pytorchYOLOv8 공식문서에 보면 ultralytics 패키지를 만들어 사용이 쉽게 만들어 두었다.
pip install, conda install 등 다양하게 지원하니 공식 문서를 참고하면 좋을 듯하다.
$ conda install -c conda-forge ultralytics필요한 패키기 설치가 끝났으면 custom dataset을 정리해주어야 한다.
custom dataset은 YOLO_mark(다른 annotation tool)을 사용해 학습할 이미지, txt파일(YOLO_format)을 준비한다.
imgaes에는 .jpg파일이 / labels파일에는 .txt파일이 들어가야 한다. 이때 .jpg파일과 .txt파일 이 일치해야 한다.
다음은 custom.yaml파일을 만들어 준다. 모델의 구성파일이다.
아래의 사진과 같이 구성을 해주면 된다.
path : train, validation, (test) 이미지와 annotation이 있는 폴더의 경로
train : train 이미지의 경로 / val : validation 이미지의 경로
nc : class의 갯수
names : class의 이름
pretrain 모델을 이용하면 좀 더 빠르고 정확한 학습을 진행할 수 있다. pretrained된 모델을 선택한다.
YOLOv8에는 모델의 종류가 많다. Yolov8는 n, s, m, l, x 5가지 버전이 존재한다.
이제 학습을 시작할 차례이다. 사전에 wandb와 같은 딥러닝 실험 과정을 손쉽게 Tracking하고, 시각화할 수 있는 Tool을 사용하면 더 쉽게 추적이 가능하다. 우선 훈련 관련 인자들을 확인할 수 있다. 중요한 인자들만 살펴보도록 하겠다.
| Parameter | Value | Description |
| model | None | 모델 파일의 경로(yolov8n.pt) |
| data | None | 데이터 파일의 경로(data.yaml) |
| epochs | 100 | 학습 횟수 |
| patience | 50 | 조기 중단을 위해 개선이 없을 때 까지 기다리는 epochs 수 |
| batch | 16 | batch-size(auto batch -1) |
| imgsz | 640 | 이미지의 크기 |
| device | None | GPU의 갯수 1개이면 0 / 여러개이면 0,1,2,3 등 / CPU도 가능하다 |
| optimizer | 'auto' | 사용할 optimizer (SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto) |
공식 문서에 인자들의 관한 내용이 더 많으니 확인해보면 좋을 듯하다.
이제 학습을 시작할 차례이다. 아래의 명령어를 입력하면 훈련이 시작된다.
yaml, weights 파일의 위치만 주의해서 적어주면 된다.
$ yolo detect train data=data.yaml model=yolov8m.pt epochs=400 imgsz=640 batch=8wandb와 연동이 되어 있다면 학습 진행중 결과를 실시간으로 확인을 할 수 있다.
학습이 끝나면 다음과 같이 결과파일도 확인 할 수 있다.
아래의 파이썬 파일을 생성해 아래의 코드를 입력하면 웹캠으로 결과를 확인할 수 있다.
from ultralytics import YOLO
model = YOLO("best.pt")
result = model.predict(source="0", show=True)
print(result)
Reference
Home
Explore a complete guide to Ultralytics YOLOv8, a high-speed, high-accuracy object detection & image segmentation model. Installation, prediction, training tutorials and more.
docs.ultralytics.com
https://blog.roboflow.com/how-to-train-yolov8-on-a-custom-dataset/
Train YOLOv8 on a Custom Dataset
In this article, we walk through how to train a YOLOv8 object detection model using a custom dataset.
blog.roboflow.com
https://blog.naver.com/wintercamo/223278337613
[DL/ML]커스텀데이터셋으로 yolov8 학습하기
저번 게시물에서 다룬 것... https://blog.naver.com/wintercamo/223272162681 이 때 다룬 것은 이미지 라...
blog.naver.com
velog
velog.io
정확한 정보 전달보단 공부 겸 기록에 초점을 둔 글입니다. 틀린 내용이 있을 수 있습니다.
틀린 내용이나 다른 문제가 있으면 댓글 남겨주시거나 또는 이메일로 보내주시면
감사하겠습니다.