# YOLOv8 model training

訓練客製化的v8模型

## 準備訓練用圖片素材
理論上:數量越多、畫質越高、情境越豐富卻能增加辨識模型性能。

## 標記辨識物
1.到[https://roboflow.com/](https://)

2.建個project

3.upload你的照片素材

4.assign點自己就行

5.在annotate這裡進行label使成為dataset

6.label:把你要辨識的物件在中框出來，右邊有幾種不同工具可以使用
(!注意：你同一次訓練只能使用一種標記形狀，不能混用，否則會錯誤 ex:polygon,box)

7.label完按Add to Dataset，選擇Add All Images to Training Set

8.generate:參考選項，每個選項點開都可以看說明

9.export下載到電腦(如果你在之後的訓練遇到問題，試著從這一步重做or換一個雲端空間)

10.下載下來的檔案>train檔案夾裡面會有裝你的圖片的images檔案夾跟裝標定數據的labels檔案夾。(記得解壓縮)

## 訓練YOLOv8模型
### 雲端檔案環境結構
在google drive 弄個資料夾，然後在裡面新增一個google colab檔案、一個名叫"google_colab_config.yaml"的檔案與一個叫"data"的資料夾
google_colab_config.yaml內長這樣:

path: '/content/gdrive/My Drive/你建的檔案夾/data'  # dataset root dir
train: images/train   # train images (relative to 'path')
val: images/val   # val images (relative to 'path')

names:        #你的class名 有幾個就依序寫下去0.1.2.3.4....
  0: can
  1: light
  2: dark

接著在"data"檔案夾內建立如下的資料夾結構，train就是用來訓練而val是在訓練中用來驗證準確性的

將你剛剛載下的images內的照片放到images>train
labels內的數據放到labels>train
我們不太需要val但不能空著，所以你可以挑一組對應的images跟labels放到val裡面，檔案環境結構就完成了。

### google colab
1.確認執⾏階段的硬體加速器選的是GPU

2.點擊連線(這樣就表示好了)

3.新增以下程式碼

### 1. 載入你的雲端 ###

from google.colab import drive

drive.mount('/content/gdrive')

### 2. 設定根目錄 ###

ROOT_DIR = '/content/gdrive/My Drive/你自己創的那個資料夾'

### 3. 安裝 Ultralytics ###

!pip install ultralytics

### 4. Train model ###

import os

from ultralytics import YOLO


# Load a model
model = YOLO("yolov8n.pt")  # load pre trained model

# Use the model
results = model.train(data=os.path.join(ROOT_DIR, "google_colab_config.yaml"), epochs=300)  # train the model

最後那個epochs值和訓練的重複次數有關，會影響成效、訓練花費時間，通常建議至少設為300

### 開始training
接下來一個個去執行上述四個儲存格

第四步train完後最底下會告訴你訓練結果存在這個位置

在側邊欄找到best.pt就是我們要的東西，趕緊把他下載下來就成功了!