# YoloV8 Ultralytics
[toc]

## 常用連結：
- [Yolov8 QuickStart](https://docs.ultralytics.com/quickstart/)
- [Yolov8 Github](https://github.com/ultralytics/ultralytics)
- [Yolov8 偵測教學說明](https://docs.ultralytics.com/tasks/detect/#predict)

## 訓練程式 `yolov8_train.py`

import os
from ultralytics import YOLO

if __name__ ==  '__main__':
    # Load a model 模型讀取
    model = YOLO('yolov8n.pt')  # 讀取預訓練模型，若本地不存在該指定模型，則下載
    
    # Train the model 模型訓練
    # model.train(資料集.yaml, device=顯示卡ID或指定為CPU)
    model.train(data=os.path.join("datasets", "pill.v1i.yolov8", 'data.yaml'), device=0) 

### model 建立
整體建立於 [`model.py`](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/models/yolo/model.py) ，並且呼叫 [`model.detect.train`](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/models/yolo/detect/train.py)

可以理解為：
1. 根據指定模型(預訓練模型或是用 `model.yaml`) 先分出任務 (detect, seg, classify)
2. 根據使用目的，呼叫對應功能，在此呼叫 `train`

`train` 部分可理解邏輯如下：
1. 其實是透過建立 `trainer` 來開始訓練， `trainer` 基底可參考[連結](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/engine/trainer.py)，
2. 根據任務可以去分化資料集讀取方式等功能，如 `detect` ，定義於 [`model.detect.train`](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/models/yolo/detect/train.py)
3. 訓練是根據指定的 `data.yaml` 內對應的資料夾路徑搜尋對應位置進行訓練
4. `data.yaml` 中 `train,val,test` 分別為訓練、驗證及測試圖片位置， `nc` 是 class 數量

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 23
names: ['Acetylcysteine_just', 'Acetylcysteine_opposite', 'Actein_just', 'Actein_opposite', 'Ambroxol_just', 'Ambroxol_opposite', 'Bambuterol_just', 'Bambuterol_opposite', 'Benzonatate', 'Cold_just', 'Cold_opposite', 'Dyphylline_just', 'Dyphylline_opposite', 'Fenoterol_just', 'Fenoterol_opposite', 'Hexoprenaline_just', 'Hexoprenaline_opposite', 'Ketotifen_just', 'Ketotifen_opposite', 'Montelukast_just', 'Montelukast_opposite', 'Theophylline_just', 'Theophylline_opposite']

roboflow:
  workspace: joey3639570
  project: pill-2fdiw
  version: 1
  license: CC BY 4.0
  url: https://universe.roboflow.com/joey3639570/pill-2fdiw/dataset/1

## 預測程式 `yolov8_predict.py`

import os
from ultralytics import YOLO

if __name__ ==  '__main__':
    # Load a model 讀取指定路徑模型
    model = YOLO(os.path.join("runs", "detect", "train2", "weights", 'best.pt'))
    
    # 建立輸入資料夾路徑參數
    images_dir_path = os.path.join("datasets", "pill.v1i.yolov8", 'test', "images") 
    
    # 建立輸出用資料夾
    os.makedirs("output", exist_ok=True)
    
    # 列出輸入資料夾中的檔案
    images_path = os.listdir(images_dir_path)
    
    # 對資料夾中每個檔案進行處理
    for image_path in images_path:
        # 取得完整相對路徑
        full_image_path = os.path.join(images_dir_path, image_path)
        # 圖片放入模型取得結果
        results = model.predict(full_image_path)
        # 將結果繪製後存成圖片
        for result in results:
            result.save(filename=os.path.join("output", image_path))

同 train 部分，整體建立於 [`model.py`](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/models/yolo/model.py) ，但呼叫 [`model.detect.predict`](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/models/yolo/detect/predict.py)

可以理解為：
1. 根據指定模型(預訓練模型或是用 `model.yaml`) 先分出任務 (detect, seg, classify)
2. 根據使用目的，呼叫對應功能，在此呼叫 `predict`

`predict` 部分可理解邏輯如下：
1. 其實是透過建立 `predictor` 來開始訓練， `predictor` 基底可參考[連結](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/engine/predictor.py#L63)，
2. 根據任務可以去分化資料集讀取方式等功能，如 `detect` ，定義於 [`model.detect.predict`](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/models/yolo/detect/predict.py)
3. `predict` 出來的物件是 `results` ，參考[連結](https://docs.ultralytics.com/modes/predict/#inference-sources)了解更多

:::info
若要將輸入源改成串流或是影片，可以參考[連結](https://docs.ultralytics.com/modes/predict/#inference-sources)
:::