一、前言

繼昨天處理好YOLO格式的資料集後，接著便可將昨天建立的檔案包裝成yaml檔案，就可以進入訓練的環節了，那我們就開始吧!

二、建立dataset.yaml

• 設定dataset.yaml檔案的內容

datasets_yaml = ```
path: C:\\Users\\使用者\\Documents\\projects\\Car_License\\Modle

train: train/images
val: val/images
test: test/images

nc: 1

names: ['license_plate']

output_path = r'C:\Users\使用者\Documents\projects\Car_License\dataset.yaml'

# 將內容寫進datasets.yaml中
with open(output_path, 'w') as file:
    file.write(dataset_yaml)

# 確認是否有儲存datasets.yaml檔案
print(f"Configuration file saved to {output_path}")

三、訓練模型

• 導入yolo v9的模型，本次使用的模型是YOLO v9s。

from ultralytics import YOLO
model = YOLO('yolov9s.pt')

3. 開始訓練模型，設定模型的參數。

modle.train(
    data = r'C:\Users\使用者\Documents\projects\Car_License\dataset.yaml', #datasets.yaml的檔案位置
    epochs = 100, # 訓練的步數
    batch = 16, # 一次訓練所抓的樣本數
    device = 'cuda', # 訓練使用的裝置，請依照安裝cuda時選擇的裝置輸入
    imgsz = 320, # 用於訓練的圖片尺寸(長、寬)
    cache = True # 使用快取增加訓練速度
)

進入了訓練的等待過程。

四、永無止境地等

睡覺時間

五、結語

並沒有，其實訓練的時間非常的快，因為筆者採用的樣本並不多，吃完中餐就訓練好了，只使用了6分鐘，筆者也挺好奇這麼少的樣本數訓練出的結果如何，不過接著筆者會用一章的時間描述下在訓練的過程中遇到的問題以及解決方法，之後再進行模型的評估與測試，那我們下篇見。