這幾天做了給Yolov8檢測物體的小任務(wù)，今天來做下總結(jié)。

首先介紹下整個Yolov8檢測的步驟吧，安裝庫那些就不講了。

這是我的文件包的對象樹。

有images包，里面裝了訓(xùn)練和驗(yàn)證的圖像。

labels包，裝了標(biāo)注好的labels的txt文件，一開始標(biāo)注好是json文件，要經(jīng)過腳本轉(zhuǎn)化，變成yolov能識別的txt文件。

這里我之前遇到一個麻煩，就是我已經(jīng)開始是用多邊形標(biāo)注的，結(jié)果yolov8訓(xùn)練出來一坨，我查了查yolov8好像在目標(biāo)識別這塊不能用多邊形。分割的話可以用多邊形做。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# 類別信息
nc: 1
names: ['fence']

script文件里裝的是運(yùn)行腳本

train.py

from ultralytics import YOLOdef train_model():"""訓(xùn)練 YOLOv8 目標(biāo)檢測模型。"""# 加載預(yù)訓(xùn)練的目標(biāo)檢測模型model = YOLO("yolov8n.pt")  # 使用 YOLOv8 的目標(biāo)檢測模型# 訓(xùn)練模型results = model.train(data="C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/dataset.yaml",  # 數(shù)據(jù)集配置文件路徑epochs=100,  # 訓(xùn)練輪數(shù)imgsz=640,   # 圖像大小batch=16,    # 批量大小name="guardrail_detection",  # 訓(xùn)練任務(wù)名稱patience=10,  # 早停機(jī)制，如果 10 輪驗(yàn)證集性能沒有提升，則停止訓(xùn)練device="0",  # 使用 GPU 訓(xùn)練（如果有 GPU）workers=4,   # 數(shù)據(jù)加載的線程數(shù)optimizer="auto",  # 自動選擇優(yōu)化器lr0=0.01,    # 初始學(xué)習(xí)率lrf=0.01,    # 最終學(xué)習(xí)率weight_decay=0.0005,  # 權(quán)重衰減save=True,   # 保存訓(xùn)練結(jié)果save_period=10,  # 每 10 輪保存一次模型)print("訓(xùn)練完成！模型權(quán)重保存在 runs/detect/guardrail_detection/weights/ 目錄下。")if __name__ == "__main__":train_model()

device = “0”就代表我用的GPU訓(xùn)練，記得要裝pytorch的GPU版本。

訓(xùn)練完了之后權(quán)值會在run/../weight文件里面,選里面最好的best,吧它的地址換進(jìn)，infer_image文件里面

from ultralytics import YOLO
from PIL import Image, ImageDraw, ImageFont
import osdef draw_boxes(image, boxes, labels, confidences):"""在圖像上繪制邊界框和標(biāo)簽。:param image: PIL 圖像對象:param boxes: 邊界框坐標(biāo)列表:param labels: 類別標(biāo)簽列表:param confidences: 置信度列表:return: 繪制后的圖像"""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], outline="red", width=2)draw.text((x1, y1), f"{label} {confidence:.2f}", fill="red", font=font)return imagedef infer_image(image_path, output_dir):"""對單張圖像進(jìn)行推理。:param image_path: 圖像路徑:param output_dir: 輸出目錄"""# 加載訓(xùn)練好的模型model = YOLO("C:/Users/ren/Desktop/gm/runs/detect/guardrail_detection2/weights/best.pt")# 推理（降低置信度閾值）results = model(image_path, conf=0.1)  # 設(shè)置置信度閾值為 0.1# 處理結(jié)果for result in results:boxes = result.boxes.xyxy.tolist()  # 獲取邊界框坐標(biāo)labels = result.boxes.cls.tolist()  # 獲取類別 IDconfidences = result.boxes.conf.tolist()  # 獲取置信度names = result.names  # 獲取類別名稱# 將類別 ID 轉(zhuǎn)換為類別名稱labels = [names[int(cls)] for cls in labels]# 打開圖像image = Image.open(image_path)# 繪制標(biāo)注if boxes:  # 如果有檢測到目標(biāo)image = draw_boxes(image, boxes, labels, confidences)else:print(f"{image_path} 未檢測到目標(biāo)！")# 創(chuàng)建輸出目錄（如果不存在）os.makedirs(output_dir, exist_ok=True)# 保存圖像image_name = os.path.basename(image_path)  # 獲取圖像文件名output_path = os.path.join(output_dir, image_name)image.save(output_path)print(f"推理完成！結(jié)果保存在 {output_path}")def infer_validation_set(validation_dir, output_dir):"""對驗(yàn)證集進(jìn)行批量推理。:param validation_dir: 驗(yàn)證集目錄:param output_dir: 輸出目錄"""# 遍歷驗(yàn)證集目錄中的所有圖像for image_name in os.listdir(validation_dir):if image_name.lower().endswith((".jpg", ".jpeg", ".png")):  # 僅處理圖像文件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"  # 驗(yàn)證集目錄output_dir = "C:/Users/ren/Desktop/outputs/images"  # 輸出目錄infer_validation_set(validation_dir, output_dir)

最后就訓(xùn)練好了Yolov8模型

明天來解析一下yolov8的源代碼邏輯。