训练验证码-7、yolov8训练滑块验证码

大家好，我是十一姐，b站时一十一姐啦，知识星球时光漫漫

提示！本文章仅供学习交流，严禁用于非法用途，文章如有不当可联系本人删除！

目录：

          一、准备yolov8数据集

二、cpu训练自己的模型（滑块类）

二、gpu训练自己的模型（滑块类）

三、测试滑块图片目标识别

上一篇：6、yolov8安装与测试识别输出坐标

下一篇：8、yolov8分类训练字符方向等验证码

一、准备yolov8数据集

1.标注图片：首先准备数据集，文件夹格式如下，我先准备了一个images_all的文件夹专门放图片，再准备了一个labels_all准备放标注结果的json文件，接着用labelme软件打开images_all文件夹进行标注即可，记得labelme软件Change Output Dir改成labels_all的文件夹， labels_all里面放的是json的标注结果，在之前的文章有介绍到过 训练验证码-5、labelme标注验证码数据集

视频介绍看文章中

2.json转yolo格式的txt文件：labelme标注的结果默认导出的是json格式的文件，需要统一转成yolo训练格式的txt文件

1）每个目标框一行，整个图片没有目标的话不需要有txt文件，或者空文件

2）每行的格式为5个参数：class_num（分类索引，比如0代表戴口罩，1代表没带口罩），后4列是标注框的x_center/image_width、y_center/image_height、width/image_width、height/image_height，取值范围是0~1

3）其中class_num取值为0至total_class - 1，如下图四个值x_center相对于图片坐标轴是0.48，y_center相对于图片坐标轴是0.63，width图片的宽度是0.69， height图片的高度是0.71；之所以图片数值进行归一化，是因为训练的图片尺寸有很多种，这样通过归一化就可以统一了

3.分区文件夹：标注完imagesall后，对应的labelsall的文件夹也生成了所有的标注结果，接下来我们开始分文件夹，主要创建6个文件夹一个yaml文件：train/images ， train/labels， valid/images,  valid/labels ， test/images（可以不创建）, test/labels（可以不创建） ， data.yaml文件当中nc代表多少个分类，names代表类别的名称

4.yolov8训练自己的模型，大概需要多少图片作为训练集？效果合适？又需要训练多少轮呢？，更多疑问可以参考这篇文章

• Yolov8的训练数量并没有一个固定的标准，通常的做法是根据自己的数据量和特定任务的困难程度来设计数据集大小
• 一般来说，训练集的大小应该足够覆盖任务中的各种不同场景和对象，以确保模型具备较好的鲁棒性。为了取得较好的训练效果，建议训练集至少要有500~1000张图片，最好有数万张图片
• 同时，训练集中每个类别的数量也需要足够。如果某个类别的样本数量太少，可能导致模型无法很好地学习该类别的特征，从而导致训练不充分而无法取得理想的效果。因此，建议每个类别至少20~几百张训练图片
• 对于训练次数，一般可以通过观察模型在验证集上的表现来确定。如果模型在验证集上的表现不断提升，那么可以逐渐增加训练轮数，直到模型在验证集上的表现达到一个 稳定的状态。
• 通常，训练轮数越多，模型的性能会越好，但是过多的训练轮数可能导致过拟合，所以需要在充分训练的同时避免过度拟合。常见的训练轮数通常在30-200轮之间

5.更多关于yolov8的一些问题疑问：

• https://blog.csdn.net/Pan_peter/article/details/129907710
• https://www.cnblogs.com/yxyun/p/14516581.html

二、cpu训练自己的模型（滑块类）

1.yolo训练验证码分两种方式，一种是通过命令的方式，一种是python代码的方式如下是cmd命令的方式

在学习训练滑块之前一定要试试网上已有的识别滑块的比如ddddocr，识别率不没满足你的期许的话，我们再走训练学习

yolov8安装与小测试识别输出坐标

如下30min视频介绍yolov8的cpu/gpu训练滑块的方法

原文始发于微信公众号（逆向OneByOne）：训练验证码-7、yolov8训练滑块验证码