### 在 PyCharm 中配置 YOLO 模型训练的数据集导入方法 #### 1. 准备数据集 在开始之前，需确保已准备好用于训练的标注数据集。通常情况下，YOLO 数据集由以下部分组成： - 图像文件（存储在单独的目录中） - 标签文件（`.txt` 文件，每张图像对应一个标签文件，位于指定的标签目录中） 这些文件应当按照特定结构组织在一个文件夹内[^1]。例如： ``` dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/ ``` 其中 `images/train/` 和 `labels/train/` 存放训练集的图像及其对应的标签；同理，验证集存放在 `val/` 下。 --- #### 2. 创建数据集配置文件 (`data.yaml`) YOLO 需要一个 YAML 格式的配置文件来描述数据集路径和其他参数。以下是典型的 `data.yaml` 文件内容示例[^1]： ```yaml # Training and validation paths train: dataset/images/train val: dataset/images/val # Number of classes and class names nc: 2 names: ['class1', 'class2'] ``` 此文件应放置在项目的根目录或其他易于访问的位置，并通过代码中的 `data` 参数指向它。 --- #### 3. 安装 Ultralytics 库 为了使用 YOLOv8 或其他版本的模型，需要安装 Ultralytics 提供的相关库。可以在终端中执行以下命令以完成安装[^1]： ```bash pip install ultralytics ``` 如果是在 GPU 上运行，则还需确认 PyTorch 已正确安装并与 CUDA 版本兼容[^4]。 --- #### 4. 编写训练脚本 创建一个新的 Python 脚本文件（如 `train_yolov8.py`），并将以下代码粘贴进去[^1][^2]： ```python from ultralytics import YOLO def train_yolov8(): # 初始化模型 (这里使用预训练的小型模型 yolov8n.pt) model = YOLO('yolov8n.pt') # 开始训练 model.train( data='path/to/data.yaml', # 替换为实际的数据集配置文件路径 epochs=30, # 设置训练轮数 imgsz=640, # 输入图像大小 device=0 # 设定设备编号（0 表示第一个 GPU，'cpu' 表示 CPU） ) if __name__ == '__main__': train_yolov8() ``` 注意将 `'path/to/data.yaml'` 替换为实际的 `data.yaml` 文件路径。 --- #### 5. 配置 PyCharm 环境变量 为了让脚本能够找到数据集及相关依赖项，可能需要调整环境变量或工作目录设置。右键点击项目中的脚本文件并选择 **Run/Edit Configurations**，然后做如下修改： - **Working Directory**: 设置为包含 `data.yaml` 的父级目录。 - 如果有额外需求（如自定义日志保存位置等），可在 **Environment Variables** 字段添加相关内容。 --- #### 6. 运行训练过程 一切准备就绪后，在 PyCharm 中直接运行该脚本即可启动模型训练流程。过程中会输出损失函数变化曲线以及其他统计信息以便监控进展状况。 --- #### 注意事项 - 若使用 CPU 训练而非 GPU，请记得更改 `device` 参数值为 `'cpu'` 并提前检验 PyTorch 是否能正常支持当前硬件条件[^4]。 - 对于大规模数据集而言，合理分配内存资源非常重要，适当减少批量处理规模（即降低 `batch` 数字）有助于缓解潜在瓶颈现象。 ---