训练数据集

onnx模型训练及导出

设置参数

双击运行AI TrainKit for Detection1.1.exe界面如下图所示：

Training File Path：即预训练模型文件和训练之后生成的模型文件存放路径，默认为：C:\ProgramData\VIRobotics\Train\yolov8，大家可以根据需要自己选择，需要注意：路径不要包含中文或空格；
yaml data: 数据文件的路径。该参数指定了数据集文件的位置，例如 data.yaml。数据集文件包含了训练和验证所需的图像、标签。演示中选择的是标注生成的xxx.yaml；
epoch：训练轮数。默认为20；这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。设置数值越大，训练时间越久，模型精度越高，我们可以设置大一些比如100来找到模型的更佳性能；
workers：默认为0，所有数据加载在主进程中完成（通常最稳定，但速度慢），workers>0：启用多个子进程同时加载batch数据，可以加快数据预处理，提升GPU的利用率，一般经验：workers≈内存/4，例如，16G内存可以尝试workers=4 ，可以根据实际内存占用来适当调整workers的大小，workers并不会影响模型训练的结果，但会显著影响训练速度；
model: 预训练模型：默认为yolov8n.pt，根据数据集更换训练模型，如过是seg标注数据集，则预训练模型例如yolov8n-seg、yolov8s-seg、yolov8m-seg、yolov8l-seg、yolov8x-seg。如果为Obb标注的数据集，则预训练模型例如yolov8n-Obb、yolov8s-Obb、yolov8m-Obb、yolov8l-Obb、yolov8x-Obb，n、s、m、l、x预训练权重越来越大。预训练模型权重越大，训练出来的模型精度相对来说越高，但训练和检测的速度也会越慢。
img：输入图像的尺寸，默认为640。这个参数确定了输入图像的大小。可以指定一个整数值表示图像的边长，建议为32的整数倍。（设置策略：如果数据集中存在大量小对象，增大输入图像的尺寸imgsz可以使得这些小对象从高分辨率中受益，更好的被检测出）
batch: 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。这个参数确定了每个批次中包含的图像数量，默认为8。一般认为batch越大越好。batch越大选择的这个batch中的图片更有可能代表整个数据集的分布，从而帮助模型学习。但batch越大占用的显卡显存空间越多，如果训练过程中出现GPU显存溢出的报错或者内存不足，可将该值设置的小一点，GPU对2的幂次的batch可以发挥更佳的性能；
若希望训练之后直接生成onnx模型，勾选“训练后生成onnx”，训练结束后会自动弹出生成的onnx模型，该格式的模型可以直接用于仪酷AI系列工具包的推理部署；

开始训练

所有参数配置好了之后，点击Train；
弹出的框中点击“是的”开始进行训练；
训练过程会弹出cmd黑框，请不要关闭，训练完毕会自动关闭，首次训练会自动下载一些必要的文件以及预训练模型，这将会耗费一点时间；
如下图所示训练了20个epoch，黄色进度条满格，则表示整个数据集已经训练完毕，训练生成的pt模型输出在C:\ProgramData\VIRobotics\Train\yolov8\runs\segment\train\weights文件夹中；
【注：多次训练时，输出路径的train会自动变为train2、train3 … 以此类推。】
如果对本次训练的结果不满意，可以用上述的best.pt 或last.pt 作为预训练模型再次训练，而不必用yolov8n-seg.pt 从头开始训练，操作方法如下：将best.pt复制到C:\ProgramData\VIRobotics\Train\yolov8文件夹下，修改model控件中的yolov8n-seg为best.pt，点击Train再次开始训练。