视频讲解：

https://www.bilibili.com/video/BV1nFrxBCEnr/

运行结果：

代码：

import os
import shutil
import random
import cv2
import xml.etree.ElementTree as ET
import numpy as np
import torch
from ultralytics import YOLO

# ================== 修复路径问题（添加调试信息） ==================
# 获取当前工作目录
current_dir = os.path.abspath(os.getcwd())
print(f"✅ 当前工作目录: {current_dir}")

# 检查当前目录下的文件和文件夹
print("\n📁 当前目录内容:")
for item in os.listdir(current_dir):
    print(f"  - {item}")

# ================== 配置区域（请根据实际修改） ==================
# 您的原始数据路径（现在使用绝对路径）
# 修改为您的实际数据集路径，例如：E:\xailitao\data
# 如果数据集在当前目录下，可以保留为"JPEGImages"和"Annotations"
# 如果数据集在其他位置，请提供完整路径
ORIGINAL_IMAGES_DIR = "VOC2007/JPEGImages"  # 图像文件夹
ORIGINAL_ANNOTATIONS_DIR = "VOC2007/Annotations"  # XML标注文件夹

# 检查文件夹是否存在
if not os.path.exists(os.path.join(current_dir, ORIGINAL_IMAGES_DIR)):
    print(f"\n❌ 错误: 找不到图像文件夹: {ORIGINAL_IMAGES_DIR}")
    print("请确认以下几点:")
    print("1. 数据集文件夹是否在当前目录下？")
    print("2. 文件夹名称是否正确？(注意大小写)")
    print("3. 如果数据集在其他位置，请修改代码中的路径")
    print(f"   例如: ORIGINAL_IMAGES_DIR = 'E:/xailitao/JPEGImages'")
    print("4. 当前目录下实际文件夹列表:")
    for item in os.listdir(current_dir):
        print(f"   - {item}")
    exit(1)

if not os.path.exists(os.path.join(current_dir, ORIGINAL_ANNOTATIONS_DIR)):
    print(f"\n❌ 错误: 找不到标注文件夹: {ORIGINAL_ANNOTATIONS_DIR}")
    print("请确认以下几点:")
    print("1. 数据集文件夹是否在当前目录下？")
    print("2. 文件夹名称是否正确？(注意大小写)")
    print("3. 如果标注文件夹在其他位置，请修改代码中的路径")
    print("4. 当前目录下实际文件夹列表:")
    for item in os.listdir(current_dir):
        print(f"   - {item}")
    exit(1)
# ===========================================================

# ================== 确保使用纯英文路径（终极修复） ==================
# 创建英文路径的临时数据集目录（在当前工作目录下创建英文文件夹）
ENGLISH_DATASET_DIR = "crack_dataset_en"  # 纯英文目录名
DATASET_DIR = os.path.join(current_dir, ENGLISH_DATASET_DIR)

# 确保临时目录存在
os.makedirs(DATASET_DIR, exist_ok=True)

# 创建数据集子目录
for sub_dir in ["train/images", "train/labels", "val/images", "val/labels", "labels_txt"]:
    os.makedirs(os.path.join(DATASET_DIR, sub_dir), exist_ok=True)


# =================================================================

# ================== 数据集转换函数 ==================
def convert_voc_to_yolo(xml_path, img_path, output_dir):
    """
    将Pascal VOC XML标注转换为YOLO格式的txt文件

    参数:
    xml_path (str): XML文件路径
    img_path (str): 对应的图像文件路径
    output_dir (str): 输出目录（labels_txt）
    """
    # 解析XML
    tree = ET.parse(xml_path)
    root = tree.getroot()

    # 获取图像尺寸
    size = root.find('size')
    width = int(size.find('width').text)
    height = int(size.find('height').text)

    # 提取边界框信息
    bboxes = []
    for obj in root.findall('object'):
        name = obj.find('name').text
        bbox = obj.find('bndbox')
        xmin = int(bbox.find('xmin').text)
        ymin = int(bbox.find('ymin').text)
        xmax = int(bbox.find('xmax').text)
        ymax = int(bbox.find('ymax').text)

        # 计算YOLO格式坐标（归一化）
        x_center = (xmin + xmax) / 2.0 / width
        y_center = (ymin + ymax) / 2.0 / height
        bbox_width = (xmax - xmin) / width
        bbox_height = (ymax - ymin) / height

        # 由于我们只有一个类别（crack），类别ID为0
        class_id = 0
        bboxes.append([class_id, x_center, y_center, bbox_width, bbox_height])

    # 保存为YOLO格式txt
    output_file = os.path.join(output_dir, os.path.splitext(os.path.basename(img_path))[0] + '.txt')
    with open(output_file, 'w') as f:
        for bbox in bboxes:
            f.write(f"{bbox[0]} {bbox[1]:.6f} {bbox[2]:.6f} {bbox[3]:.6f} {bbox[4]:.6f}\n")


# ================== 转换所有XML标注为YOLO格式 ==================
print("\n🔄 正在转换标注文件...")
xml_files = [f for f in os.listdir(os.path.join(current_dir, ORIGINAL_ANNOTATIONS_DIR)) if f.endswith('.xml')]
for xml_file in xml_files:
    xml_path = os.path.join(current_dir, ORIGINAL_ANNOTATIONS_DIR, xml_file)
    img_file = os.path.splitext(xml_file)[0] + '.jpg'  # 假设图像为.jpg
    img_path = os.path.join(current_dir, ORIGINAL_IMAGES_DIR, img_file)

    if os.path.exists(img_path):
        convert_voc_to_yolo(xml_path, img_path, os.path.join(DATASET_DIR, "labels_txt"))
    else:
        print(f"⚠️ 警告: 图像文件 {img_file} 不存在，跳过 {xml_file}")

print(f"✅ 已转换 {len(xml_files)} 个标注文件到 YOLO 格式")

# 获取所有有效图像文件
image_files = [
    f for f in os.listdir(os.path.join(current_dir, ORIGINAL_IMAGES_DIR))
    if f.lower().endswith(('.jpg', '.jpeg', '.png'))
]

# 筛选有对应标签的图像
valid_files = []
for img_file in image_files:
    base_name = os.path.splitext(img_file)[0]
    label_file = f"{base_name}.txt"
    if os.path.exists(os.path.join(DATASET_DIR, "labels_txt", label_file)):
        valid_files.append((img_file, label_file))

# 检查有效样本数
if len(valid_files) < 10:  # 最小样本数设为10
    print(f"\n⚠️ 警告：仅找到 {len(valid_files)} 个有效样本，将使用全部样本")
    NUM_SAMPLES = len(valid_files)
else:
    NUM_SAMPLES = 500  # 总样本数

# 随机选择样本
if len(valid_files) > 0:
    selected_files = random.sample(valid_files, min(NUM_SAMPLES, len(valid_files)))
    train_files = selected_files[:int(len(selected_files) * 0.9)]
    val_files = selected_files[int(len(selected_files) * 0.9):]
else:
    print("\n❌ 错误: 没有找到有效的样本文件，无法继续训练")
    exit(1)

# 复制到英文路径数据集
print("\n📁 正在组织数据集...")
for img_file, label_file in train_files:
    shutil.copy(os.path.join(current_dir, ORIGINAL_IMAGES_DIR, img_file),
                os.path.join(DATASET_DIR, "train/images", img_file))
    shutil.copy(os.path.join(DATASET_DIR, "labels_txt", label_file),
                os.path.join(DATASET_DIR, "train/labels", label_file))

for img_file, label_file in val_files:
    shutil.copy(os.path.join(current_dir, ORIGINAL_IMAGES_DIR, img_file),
                os.path.join(DATASET_DIR, "val/images", img_file))
    shutil.copy(os.path.join(DATASET_DIR, "labels_txt", label_file),
                os.path.join(DATASET_DIR, "val/labels", label_file))

# 生成数据集配置文件 (dataset.yaml)
yaml_content = f"""
path: {DATASET_DIR}
train: train/images
val: val/images
nc: 1  # 裂缝通常为1类
names: ['crack']  # 类别名称
"""

with open(os.path.join(DATASET_DIR, "dataset.yaml"), "w") as f:
    f.write(yaml_content)

print(f"\n✅ 数据集准备完成！（使用纯英文路径）\n"
      f"  - 总样本: {len(valid_files)}\n"
      f"  - 训练集: {len(train_files)} 个\n"
      f"  - 验证集: {len(val_files)} 个\n"
      f"  - 配置文件: {os.path.join(DATASET_DIR, 'dataset.yaml')}\n")

# ================== 开始训练（自动检测GPU/CPU） ==================
print("\n🚀 正在使用YOLOv8n进行训练（自动检测设备）...")
print("⚠️ 注意：首次运行会自动下载预训练模型（约100MB），请保持网络畅通")

# 自动检测设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(f"🔍 检测到设备: {device} {'(GPU)' if device == 'cuda' else '(CPU)'}")

# 重要修复：使用绝对路径并确保路径是纯英文
data_path = os.path.join(DATASET_DIR, "dataset.yaml")
print(f"🔍 正在使用数据路径: {data_path}")

# 确保路径是纯英文，没有中文字符
data_path = os.path.normpath(data_path)  # 规范化路径
data_path = data_path.replace("\\", "/")  # 确保使用正斜杠

# 加载预训练模型并训练
model = YOLO('yolov8n.pt')

# 训练参数（小数据集优化）
results = model.train(
    data=data_path,
    epochs=50,  # 小数据集建议多训练
    imgsz=640,  # 图像尺寸
    batch=16,  # 小数据集建议小batch
    name='crack_detection',
    project='runs',
    device=device  # 自动使用CPU/GPU
)

print("\n✅ 训练完成！结果保存在：")
print(f"  - 模型: {os.path.abspath('runs/detect/crack_detection/weights/best.pt')}")
print("  - 训练曲线: runs/detect/crack_detection/results.png")
print("  - 预测示例: runs/detect/crack_detection/val_batch0_pred.jpg")
print("\n💡 提示：训练时间约10-30分钟（CPU环境），请耐心等待")

https://download.csdn.net/download/qq_38735017/92561167