一、标注工具labelimg的安装与使用
什么是labelimg
labelimg是一款开源的图像标注工具，标签可用于分类和目标检测，它是用Python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持COCO数据集格式，即以 YOLO格式保存为TXT文件。
安装labelimg
在cmd下面输入
pip install labelimg不会翻墙可以换源
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple然后等待其自动帮你安装labelimg以及lxml和pyqt5即可
结束后，在cmd中输入labelimg
labelimg等一会就会出现labelimg界面如下图所示：
初识labelimg
接下来打开需要标注的图片文件夹
并设置标注文件保存的目录
接下来就开始标注：先将格式切换为YOLO，然后画框，标记目标的label，ctrl+s保存后，然后d切换到下一张继续标注，不断重复重复
labelimg的快捷键
标注结果展示
YOLO格式最终标注后保存的文件格式为txt文件。
除与原图片同名的txt文件外还有一个一个名为“classes.txt”的文件也保存到该文件夹中。
①“classes.txt”定义了你的 YOLO 标签所引用的类名列表。
②具体的标注文件中每一行表示一个目标，以空格进行区分，分别表示目标的类别id，归一化处理之后的中心点x坐标、y坐标、目标框的w和h。
数据说明
在使用YOLOv8进行目标检测时，每个图像都伴随一个.txt文件，该文件包含了关于图像中对象的标注信息。这些.txt文件中的每一行都代表图像中的一个对象，包含以下信息：
1.类别ID：这是一个整数，代表了对象所属的类别。例如，如果你的数据集有“人”、“车”和“狗”三个类别，那么可能分别用0、1和2来表示这些类别。
2.中心X坐标：这是一个归一化后的值，代表对象边界框中心的X坐标（水平方向）。这个值是相对于整个图像宽度的比例。
3.中心Y坐标：这是一个归一化后的值，代表对象边界框中心的Y坐标（垂直方向）。这个值是相对于整个图像高度的比例。
4.边界框宽度：这也是一个归一化后的值，代表对象边界框的宽度。这个值是相对于整个图像宽度的比例。
5.边界框高度：这同样是一个归一化值，代表对象边界框的高度。这个值是相对于整个图像高度的比例。
举例来说，如果一个.txt文件中的一行是1 0.5 0.5 0.2 0.3，这意味着该对象属于类别1（例如“puzzled”），其边界框的中心位于图像中心（X和Y坐标均为0.5），边界框的宽度是图像宽度的20%，高度是图像高度的30%。
二、YOLOv8环境安装配置
yolov8源码下载地址：
GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite
yolov8使用文档：
Home - Ultralytics YOLOv8 Docs
1.前期准备+所需环境配置
1.1 虚拟环境创建
先用conda prompt创建一个虚拟环境，取名yolov8, python版本用3.8.18
conda create -n yolov8 python=3.8.181.2 虚拟环境配置
在项目的根目录下打开conda命令行，使用conda activate yolov8 命令激活虚拟环境，接下来的操作都在虚拟环境下
安装requirements.txt
pip install -r requirements.txt注意：新版yolov8项目文件已经没有了requirements.txt文件，需要我们手动添加，在项目的根目录下创建requirements.txt文件，内容复制粘贴下面的内容：
# Ultralytics requirements
# Usage: pip install -r requirements.txt
# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0
# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet
# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0
# Export --------------------------------------
# coremltools>=6.0,<=6.2 # CoreML export
# onnx>=1.12.0 # ONNX export
# onnxsim>=0.4.1 # ONNX simplifier
# nvidia-pyindex # TensorRT export
# nvidia-tensorrt # TensorRT export
# scikit-learn==0.19.2 # CoreML quantization
# tensorflow>=2.4.1 # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0 # TF.js export
# openvino-dev>=2023.0 # OpenVINO export
# Extras --------------------------------------
psutil # system utilization
py-cpuinfo # display CPU info
# thop>=0.1.1 # FLOPs computation
# ipython # interactive notebook
# albumentations>=1.0.3 # training augmentations
# pycocotools>=2.0.6 # COCO mAP
# roboflow安装代码运行所需的ultralytics和yolo包
pip install ultralytics
pip install yolo1.3 预训练权重下载
源码下载界面中的readme文件中往下翻，找到yolovn8的预训练权重，点击下载，然后把下载好的文件放在项目代码的根目录下。
1.4验证环境配置是否成功
复制下面的代码来验证一下是否可以运行
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'运行命令后可以实现检测，结果保存在runs->detect->predict文件夹下
打开图片可以看到已经完成了目标框和类别概率的显示和绘制。
参考文章
Comments | NOTHING