跨境电商平台网站建设,自适应网站什么做,中信云做网站,网站后台设置关键字使用深度学习算法检测芒果具有显著的优势和应用价值。以下是几个主要原因#xff1a; 特征学习的能力#xff1a;深度学习#xff0c;特别是卷积神经网络#xff08;CNN#xff09;#xff0c;能够从大量的芒果图像中自动学习和提取特征。这些特征可能是传统方法难以手动… 使用深度学习算法检测芒果具有显著的优势和应用价值。以下是几个主要原因 特征学习的能力深度学习特别是卷积神经网络CNN能够从大量的芒果图像中自动学习和提取特征。这些特征可能是传统方法难以手动设计的但对于芒果的检测和识别却至关重要。适应复杂环境芒果生长在不同的环境和条件下其外观、颜色、形状等都可能发生变化。深度学习算法通过大量的训练数据可以学习到这些变化从而在不同环境下都能准确地检测芒果。处理大数据在芒果检测中通常需要处理大量的图像数据。深度学习算法可以高效地处理这些数据并快速给出检测结果。减少人工干预传统的芒果检测方法可能需要人工目视观察或者使用特定的工具这既费时又费力。深度学习算法可以实现自动化检测减少人工干预提高检测效率。提高检测准确性深度学习算法在训练过程中不断优化可以实现对芒果的精确检测。与传统方法相比深度学习算法具有更高的检测准确率和鲁棒性。 综上所述使用深度学习算法检测芒果可以提高检测效率、准确性和自动化水平是芒果检测领域的一种重要技术手段。 本文介绍了基于深度学习yolov8的芒果检测系统包括训练过程和数据准备过程同时提供了推理的代码和GUI。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。
检测结果如下图 一、安装YoloV8
yolov8官方文档主页 - Ultralytics YOLOv8 文档
安装部分参考官方安装教程
1、安装pytorch
根据本机是否有GPU安装适合自己的pytorch如果需要训练自己的模型建议使用GPU版本。
①GPU版本的pytorch安装
对于GPU用户安装GPU版本的pytorch首先在cmd命令行输入nvidia-smi查看本机的cuda版本如下图我的cuda版本是12.4如果版本过低建议升级nvidia驱动 打开pytorch官网选择合适的版本安装pytorch如下图建议使用conda安装防止cuda版本问题出现报错 ②CPU版本pytorch安装
打开pytorch官网选择CPU版本安装pytorch如下图 2、安装yolov8
在命令行使用如下命令安装
pip install ultralytics
二、数据集准备
芒果实例分割数据集包含453个训练数据91个测试数据数据如下所示 为了使用yolov8进行训练需要将数据集转为yolo格式本文提供转换好的数据集连接mango-yolov8数据集
三、模型配置及训练
1、数据集配置文件
创建数据集配置文件mango.yaml内容如下将path路径替换为自己的数据集路径
# Ultralytics YOLO , AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train datacoco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\datasets\csdn\mango-segmentation-dataset\mango_yolov8 # 替换为自己的数据集路径
train: images/train
val: images/test
test: images/test # Classes
names:# 0: normal0: mango
2、训练模型
使用如下命令训练模型数据配置文件路径更改为自己的路径model根据自己的需要使用yolov8n/s/l/x版本其他参数根据自己的需要进行设置
yolo segment train projectmango nametrain exist_ok datamango/mango.yaml modelyolov8n-seg.yaml epochs100 imgsz6403、验证模型
使用如下命令验证模型相关路径根据需要修改
yolo segment val imgsz640 modelmango/train/weights/best.pt datamango/mango.yaml精度如下
Ultralytics YOLOv8.1.10 Python-3.9.18 torch-2.2.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
YOLOv8n-seg summary (fused): 195 layers, 3258259 parameters, 0 gradients, 12.0 GFLOPs
val: Scanning D:\DeepLearning\datasets\csdn\mango-segmentation-dataset\mango_yolov8\labels\test.cache... 90 images, 0 backgrounds, 0 corrupt: 100%|██████████| 90/90 [00:00? Class Images Instances Box(P R mAP50 mAP50-95) Mask(P R mAP50 mAP50-95): 100%|██████████| 6/6 [00:0200:00, 2.1all 90 578 0.961 0.953 0.985 0.892 0.96 0.952 0.985 0.837
Speed: 5.1ms preprocess, 8.0ms inference, 0.0ms loss, 2.2ms postprocess per image
Results saved to runs\segment\valLearn more at https://docs.ultralytics.com/modes/val
四、推理
训练好了模型可以使用如下代码实现推理权重路径修改为自己的路径
from PIL import Image
from ultralytics import YOLO# 加载预训练的YOLOv8n模型
model YOLO(best.pt)image_path test.jpg
results model(image_path) # 结果列表# 展示结果
for r in results:im_array r.plot() # 绘制包含预测结果的BGR numpy数组im Image.fromarray(im_array[..., ::-1]) # RGB PIL图像im.show() # 显示图像im.save(results.jpg) # 保存图像
五、界面开发
使用pyqt5开发gui界面支持图片、视频、摄像头输入支持导出到指定路径其GUI如下图(完整GUI代码可在下方链接下载) 代码下载连接基于yolov8的芒果计数分割系统包含训练好的权重和推理代码GUI界面支持图片、视频、摄像头输入支持检测结果导出
