如何训练一个YOLOv8目标检测模型 | BasicCAT——计算机辅助翻译（CAT）软件

YOLOv8是最新的YOLO目标检测模型，推理还是训练都非常容易上手。

ImageTrans在2.10.0中加入了对YOLOv8模型的支持，可以利用Java调用OpenCV的DNN模块进行目标检测，并且提供了目标检测标注数据管理器，可以将ImageTrans项目导出为YOLO格式的训练数据集或者从数据集导入到ImageTrans项目，方便根据需求自己训练模型。

下面是具体的操作步骤：

打开一个ImageTrans项目，利用自动或手动方式完成对图片中目标（主要是文字区域）的定位。
通过菜单-工具，打开目标检测标注数据管理器。

导出数据到一个目录。数据会以YOLO格式，按以下结构存储。

├─images
│  ├─train
│  │      image1.jpg
│  │      image2.jpg
│  │
│  └─val
│         image3.jpg
│         image4.jpg
│
├─labels
│  │
│  ├─train
│  │      image1.txt
│  │      image2.txt
│  │
│  └─val
│         image3.txt
│         image4.txt
│
├─balloon.yaml

安装Python，并根据YOLOv8的文档安装yolo。
在导出的数据的目录下，新建一个train.py的文件，并用Python执行以进行模型训练：
```
from ultralytics import YOLO
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
# Train the model
results = model.train(data='balloon.yaml', epochs=100, imgsz=640)
```
通过命令行执行上述代码：
```
python train.py
```
通常，20张图片，训练100个epoch已经可以得到不错的效果了。在CPU上也能完成训练。
训练完成后，在runs\detect\train\weights里，我们可以找到训练好的模型文件。这里我们用以下代码，转换best.pt为ImageTrans支持的onnx格式：
```
from ultralytics import YOLO
model = YOLO('best.pt')
success = model.export(format='onnx')
```
将上述代码保存为convert.py，通过命令行执行：
```
python convert.py
```
将转换得到的best.onnx复制到ImageTrans的目录或者项目的图片目录，重命名为model.onnx，并在ImageTrans的偏好设置里启用离线气泡检测。之后，便可以在ImageTrans中通过气泡检测调用YOLOv8目标检测模型了。

可以在此处找到数据集和模型示例。

对长图的支持

有时候，我们需要处理的图片比较长。这时可以将图片裁剪为多份，用于训练和检测。

例子：

我们可以指定宽度、高度和子图片彼此重叠的比例对图片进行裁剪。

启用方法：

对于目标检测标注数据管理器，我们可以直接在其界面中进行设置。
对于使用训练好的模型用于检测，我们可以建一份配置文件，命名为model.json，和模型放在一起，用于指定相关参数。

对于条漫，我们可以使用以下配置文件，将图片裁剪为若干份宽度高度均为图片宽度的子图，高度的重叠比例是20%：
```
{
   "width":640,
   "height":640,
   "model":"model.onnx",
   "ratio":1,
   "width_overlap":"0",
   "height_overlap":"20"
}
```
对于很大的图片，也可以使用以下配置文件，使用滑动窗口，以固定的宽度高度去裁剪图片：
```
{
   "width":640,
   "height":640,
   "ratio":1,
   "model":"model.onnx",
   "slidingWindow":{
      "width":1600,
      "height":1600
   }
}
```