营销网站结构图,电商关键字优化,数字广东网络建设有限公司介绍,wordpress 动态页面这几天做了给Yolov8检测物体的小任务#xff0c;今天来做下总结。
首先介绍下整个Yolov8检测的步骤吧#xff0c;安装库那些就不讲了。 这是我的文件包的对象树。
有images包#xff0c;里面装了训练和验证的图像。
labels包#xff0c;装了标注好的labels的txt文件今天来做下总结。
首先介绍下整个Yolov8检测的步骤吧安装库那些就不讲了。 这是我的文件包的对象树。
有images包里面装了训练和验证的图像。
labels包装了标注好的labels的txt文件一开始标注好是json文件要经过脚本转化变成yolov能识别的txt文件。
这里我之前遇到一个麻烦就是我已经开始是用多边形标注的结果yolov8训练出来一坨我查了查yolov8好像在目标识别这块不能用多边形。分割的话可以用多边形做。然后就改成矩形做了。
dataset.yaml文件
path: C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail
train: C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail/images/train
val: C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail/images/val# 类别信息
nc: 1
names: [fence]
script文件里装的是运行脚本
train.py
from ultralytics import YOLOdef train_model():训练 YOLOv8 目标检测模型。# 加载预训练的目标检测模型model YOLO(yolov8n.pt) # 使用 YOLOv8 的目标检测模型# 训练模型results model.train(dataC:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/dataset.yaml, # 数据集配置文件路径epochs100, # 训练轮数imgsz640, # 图像大小batch16, # 批量大小nameguardrail_detection, # 训练任务名称patience10, # 早停机制如果 10 轮验证集性能没有提升则停止训练device0, # 使用 GPU 训练如果有 GPUworkers4, # 数据加载的线程数optimizerauto, # 自动选择优化器lr00.01, # 初始学习率lrf0.01, # 最终学习率weight_decay0.0005, # 权重衰减saveTrue, # 保存训练结果save_period10, # 每 10 轮保存一次模型)print(训练完成模型权重保存在 runs/detect/guardrail_detection/weights/ 目录下。)if __name__ __main__:train_model()
device “0”就代表我用的GPU训练记得要装pytorch的GPU版本。
训练完了之后权值会在run/../weight文件里面,选里面最好的best,吧它的地址换进infer_image文件里面
from ultralytics import YOLO
from PIL import Image, ImageDraw, ImageFont
import osdef draw_boxes(image, boxes, labels, confidences):在图像上绘制边界框和标签。:param image: PIL 图像对象:param boxes: 边界框坐标列表:param labels: 类别标签列表:param confidences: 置信度列表:return: 绘制后的图像draw ImageDraw.Draw(image)font ImageFont.load_default()for box, label, confidence in zip(boxes, labels, confidences):x1, y1, x2, y2 boxdraw.rectangle([x1, y1, x2, y2], outlinered, width2)draw.text((x1, y1), f{label} {confidence:.2f}, fillred, fontfont)return imagedef infer_image(image_path, output_dir):对单张图像进行推理。:param image_path: 图像路径:param output_dir: 输出目录# 加载训练好的模型model YOLO(C:/Users/ren/Desktop/gm/runs/detect/guardrail_detection2/weights/best.pt)# 推理降低置信度阈值results model(image_path, conf0.1) # 设置置信度阈值为 0.1# 处理结果for result in results:boxes result.boxes.xyxy.tolist() # 获取边界框坐标labels result.boxes.cls.tolist() # 获取类别 IDconfidences result.boxes.conf.tolist() # 获取置信度names result.names # 获取类别名称# 将类别 ID 转换为类别名称labels [names[int(cls)] for cls in labels]# 打开图像image Image.open(image_path)# 绘制标注if boxes: # 如果有检测到目标image draw_boxes(image, boxes, labels, confidences)else:print(f{image_path} 未检测到目标)# 创建输出目录如果不存在os.makedirs(output_dir, exist_okTrue)# 保存图像image_name os.path.basename(image_path) # 获取图像文件名output_path os.path.join(output_dir, image_name)image.save(output_path)print(f推理完成结果保存在 {output_path})def infer_validation_set(validation_dir, output_dir):对验证集进行批量推理。:param validation_dir: 验证集目录:param output_dir: 输出目录# 遍历验证集目录中的所有图像for image_name in os.listdir(validation_dir):if image_name.lower().endswith((.jpg, .jpeg, .png)): # 仅处理图像文件image_path os.path.join(validation_dir, image_name)infer_image(image_path, output_dir)if __name__ __main__:validation_dir C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail/images/val # 验证集目录output_dir C:/Users/ren/Desktop/outputs/images # 输出目录infer_validation_set(validation_dir, output_dir)
最后就训练好了Yolov8模型 明天来解析一下yolov8的源代码逻辑。
