使用Ultralytics库跑自己的网络
Ultralytics库提供的训练记录和数据可视化很好，但是自己改网络时又不方便用这些，在此我提供一些方法：
- 让Ultralytics库能够训练自定义网络
- 自定义的网络如何不使用权重就能训练。
如何让Ultralytics库能够训练自定义网络
Ultralytics提供了方法让用户能够自定义网络，我们可以创建一个这样的yaml文件，这里我拿官方的做个演示。
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs
s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs
m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs
l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 12
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 15 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 12], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 18 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 9], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 21 (P5/32-large)
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)
可以发现大致分为四个部分:
-
nc: 分类或者检测任务的类别数量
-
scales: 缩放,用来调整模型大小
-
backbone: 模型的主干网络。它负责从输入图像中提取特征。
- from: 从哪一层开始。
- repeats: 模块重复次数。
- module: 使用的模块（例如，Conv代表卷积层）。
- args: 模块参数。
例如：[-1, 1, Conv, [64, 3, 2]] 表示从上一层（-1）开始，添加一个卷积层，该层有64个输出通道，3x3的卷积核，核步幅为2。
-
head: 这是模型的头部网络，负责根据主干网络的特征进行目标检测。
- 同样使用 from, repeats, module, args 参数。
- 特殊的如 nn.Upsample, 是上采样层。
- Concat 用于合并不同层的特征。
例如：[[-1, 6], 1, Concat, [1]] 表示取上一层（-1）和第6层的输出进行沿着第1个维度（通常是通道维度）的拼接。 - 最后，[[15, 18, 21], 1, Detect, [nc]] 是检测层，它将使用第15层、第18层和第21层的输出进行目标检测。
修改对应的就行了,不过这里中间使用的函数不来自于PyTorch,而是Ultralytics二次封装过的,使用时需要注意.
如何不使用预训练权重训练网络
Ultralytics训练的时候有个不好,就是一定要有个预训练权重.对于修改不多的网络,可以考虑加载预训练模型(会有部分数据保留的,应该对训练有帮助).但是我们创建自己的网络的时候(如果你是和我一样瞎搓的话)根本没有这个"预训练权重".虽然随便加载一个权重都行,不过网络不同应该还是有些影响的.下面给出使用:
from ultralytics import YOLO
# 一定要加这个,训练过程是异步的,不加报错
if __name__=="__main__":
# 你自定义的网络配置,不是训练配置什么的
cfg = "xxx.yaml"
# 正常做法
model = YOLO(cfg)
model.train(
data="dataset", # 数据集要按照标准,分类的话下面放train和val,里面一类一个文件夹
epochs=100,
model="random_initial_weights.pt",
device=0)
# 无权重做法
model = YOLO()
model.__init__(cfg) # 一步拆两步就行,研究半天源码
model.train(
data="dataset", # 数据集要按照标准,分类的话下面放train和val,里面一类一个文件夹
epochs=100,
# 无需权重,照样训练
device=0)