AutoDL云服务器上使用yolov8训练数据集

1.准备数据集

（1）下载数据集

这里以CUB-200-2011数据集为例。CUB-200-2011（Caltech-UCSD Birds 200-2011）是一个包含200种鸟类的数据集，每种鸟类大约有60张图片，总共有11788张图片。数据集中包含了图片和标注信息（包括边界框）。下载链接：CUB-200-2011

（2）解压 

（3）转换成yolov8所需格式

        生成标签文件（labels）：打开你克隆下来的ultralytics项目，在项目中新建一个python文件convert_to_yolov8_format.py，粘贴下面的python代码。并打开终端输入以下bash命令运行它。

python convert_to_yolov8_format.py

#1.处理标签文件
import os
import pandas as pd
from PIL import Image

# 数据集路径
dataset_dir = '/path/to/CUB_200_201'  #这里切换为自己的路径，解压后的数据集位置
images_dir = os.path.join(dataset_dir, 'images')
annotations_dir = dataset_dir

# 加载数据
bounding_boxes = pd.read_csv(os.path.join(annotations_dir, 'bounding_boxes.txt'), sep='\s+', header=None, names=['image_id', 'x', 'y', 'width', 'height'])
class_labels = pd.read_csv(os.path.join(annotations_dir, 'image_class_labels.txt'), sep='\s+', header=None, names=['image_id', 'class_id'])
image_paths = pd.read_csv(os.path.join(annotations_dir, 'images.txt'), sep='\s+', header=None, names=['image_id', 'image_path'])

# 合并数据帧
data = pd.merge(bounding_boxes, class_labels, on='image_id')
data = pd.merge(data, image_paths, on='image_id')

# 创建YOLO格式的标注文件
for _, row in data.iterrows():
    image_path = os.path.join(images_dir, row['image_path'])
    image = Image.open(image_path)
    dw = 1. / image.width
    dh = 1. / image.height

    # 计算归一化坐标
    x = (row['x'] + row['width'] / 2.0) * dw
    y = (row['y'] + row['height'] / 2.0) * dh
    w = row['width'] * dw
    h = row['height'] * dh

    # 类别ID调整为从0开始（如果需要）
    class_id = row['class_id'] - 1

    # 生成标注文件
    txt_path = image_path.replace