本人写了一键制作三种数据集的代码，还带数据增强哦，可联系QQ:1781419402获取，小偿！

Yolov8下载地址：GitHub - ultralytics/ultralytics: YOLOv8  in PyTorch > ONNX > CoreML > TFLitexx

下载完成后 按照YOLOv8教程系列：一、使用自定义数据集训练YOLOv8模型（详细版教程，你只看一篇-＞调参攻略），包含环境搭建/数据准备/模型训练/预测/验证/导出等_Zhijun.li@Studio的博客-CSDN博客

所写的进行目标检测的自己数据集的训练即可。

但是网上对于yolov8进行自己数据集的分割训练的教程较少 ，不会的可以看本文。

首先就是数据集的格式：（我自己使用的是这样，可以训练，参照coco数据集）

其中images/train2017中是训练图片原图，labels/train2017中是转换出来的yolo格式txt标签文本文件，train2017.cache是自动生成的，不用管。

其次，就是配置文件 ，在下图所示位置，并且按照右下所示进行修改：

 

此处修改完后，就是修改参数配置文件 （cdg里的default.yaml），要做分割任务首先是将task设置为segment，其实就是model改为yolov8n-seg.py（分割预训练权重）,最后就是将data修改为自己数据集所在文件夹的路径就可以开始训练。

 如果报错runtimeerror: sizes of tensors must match except in dimension 1. expected size 2 but got size 0 for tensor number 1 in the list.：

        原因是 torch.cat（）函数中参数的维度不对应，如果数据集没有问题，那就是丢失信息了。

        那你使用的数据集中label里的txt文件的内容，大概率是转出来的是只有对应类别索引和四个点坐标（也就是rectangle格式），只能做检测，不可做分割，会丢失segment信息。

        可使用以下代码进行转换数据集：

# 处理labelme多边形矩阵的标注 json转化txt,提取点

import json

import os

name2id = {'chip': 0} # 修改你的类别并且赋与index

def decode_json(json_floder_path, txt_outer_path, json_name):

txt_name = txt_outer_path + json_name[:-5] + '.txt'

with open(txt_name, 'a') as f:

json_path = os.path.join(json_floder_path, json_name)

data = json.load(open(json_path, 'r', encoding='gb2312', errors='ignore'))

img_w = data['imageWidth']

img_h = data['imageHeight']

isshape_type = data['shapes'][0]['shape_type']

print(isshape_type)

dw = 1. / (img_w)

dh = 1. / (img_h)

for i in data['shapes']:

label_name = i['label']

if (i['shape_type'] == 'polygon'):

point = []

for lk in range(len(i['points'])):

x = float(i['points'][lk][0])

y = float(i['points'][lk][1])

point_x = x * dw

point_y = y * dh

point.append(point_x)

point.append(point_y)

f.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in point]) + '\n')

f.close()

if __name__ == "__main__":

json_floder_path = r'F:\Workprojects\front_corner_drop\train_data\json' # 存放json的文件夹的绝对路径

txt_outer_path = r'F:\Workprojects\front_corner_drop\labels\segment/' # 存放txt的文件夹绝对路径

json_names = os.listdir(json_floder_path)

flagcount = 0

for json_name in json_names:

decode_json(json_floder_path, txt_outer_path, json_name)

flagcount += 1

print('-----------转化完毕------------')

要是做分类训练的话，自制数据集格式如图所示：

                                                

其中，train和val的里面只用放所有的训练集图片，error和normal是我当前需要的分类类别，其中放置对应的类别的图片，根据自身需求创建类别文件夹，放入对应图片即可。

接着修改yaml文件：

 将类别和类别数量和数据集路径修改好即可训练。

精彩内容

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：