深度学习目标检测算法 基于训练好的YOLOv8权重建立一个深度学习医疗垃圾检测系统
以下文字及代码仅供参考。
文章目录
医疗垃圾检测数据集2756张，8比2划分为训练集和验证集，训练集2204张，验证集552张，9类，分类为：‘Plastic bags’, ‘Metal’, ‘IV Bag’, ‘Cotton with blood’, ‘Medicine Bottle’, ‘Glucose Drip’, ‘IV’, ‘syringe’, ‘vials’
医疗垃圾检测 YOLO 数据集（类别中英对照表）
| 中文类别名称 | 英文类别名称 | 图片数量 | 标注框数量 | 训练集图片数（约80%） | 验证集图片数（约20%） |
|---|---|---|---|---|---|
| 塑料袋 | Plastic bags | 339 | 633 | 271 | 68 |
| 金属 | Metal | 438 | 591 | 350 | 88 |
| 输液袋 | IV Bag | 380 | 586 | 304 | 76 |
| 带血棉球 | Cotton with blood | 533 | 583 | 426 | 107 |
| 药瓶 | Medicine Bottle | 235 | 554 | 188 | 47 |
| 葡萄糖输液管 | Glucose Drip | 374 | 652 | 299 | 75 |
| 静脉导管 | IV | 452 | 565 | 362 | 90 |
| 注射器 | Syringe | 450 | 918 | 360 | 90 |
| 小药瓶/安瓿瓶 | Vials | 430 | 1052 | 344 | 86 |
| 总计 | Total | 2756 | 6114 | 2204 (80%) | 552 (20%) |
同学，从环境设置、数据准备、模型训练、超参数调整、模型评估以及如何进行单张和批量图像的推理。
环境搭建
确保安装了必要的依赖库：
pip install ultralytics opencv-python-headless
数据配置
tx同学，首先，创建一个data.yaml文件来描述你的数据集路径和类别信息。假设你的数据已经按照如下结构组织：
dataset/images/train/val/
labels/train/val/
data.yaml内容如下：
train: ./dataset/images/train/
val: ./dataset/images/val/
nc: 9 # 类别数量
names: ['Plastic bags', 'Metal', 'IV Bag', 'Cotton with blood', 'Medicine Bottle', 'Glucose Drip', 'IV', 'Syringe', 'Vials'] # 类别名称
模型训练
加载YOLOv8模型并开始训练：
from ultralytics import YOLO
# 加载预训练的YOLOv8模型或从头开始训练
model = YOLO('yolov8n.yaml') # 使用YOLOv8 nano架构作为示例
# 开始训练
results = model.train(data='path/to/data.yaml', epochs=100, imgsz=640, batch=16)
在这个例子中，我们设置了epochs为100，输入图像尺寸imgsz为640，批次大小batch为16。你可以根据硬件资源调整这些参数。
超参数配置
在调用model.train()时，可以通过传递额外的参数来调整超参数，例如学习率(lr0)、动量(momentum)等。更多选项可以参考官方文档。
模型推理
单张图片推理
# 对单张图片进行推理
results = model.predict(source='path/to/test_image.jpg', save=True, conf=0.25)
for result in results:
print(result.boxes) # 输出检测框信息
批量推理
对整个目录进行批量推理：
# 对整个目录进行批量推理
results = model.predict(source='path/to/test_dir/', save=True, conf=0.25)
性能评估
在验证集上评估模型性能：
metrics = model.val() # 在验证集上评估模型性能
print(f"Model mAP: {metrics.box.map}") # 输出mAP值
完整代码示例
以下是完整的代码示例，包括环境搭建、数据配置、模型训练、超参数配置、模型推理及性能评估：
from ultralytics import YOLO
import os
# 确保已安装必要库
# pip install ultralytics opencv-python-headless
# 加载YOLOv8模型
model = YOLO('yolov8n.yaml')
# 训练模型
results = model.train(data='path/to/data.yaml', epochs=100, imgsz=640, batch=16)
# 调整超参数示例
# 更多超参数可查阅官方文档
# results = model.train(data='path/to/data.yaml', epochs=100, imgsz=640, batch=16, lr0=0.01, momentum=0.937)
# 单张图片推理
result = model.predict(source='path/to/test_image.jpg', save=True, conf=0.25)
# 批量推理
results = model.predict(source='path/to/test_dir/', save=True, conf=0.25)
# 性能评估
metrics = model.val()
print(f"Model mAP: {metrics.box.map}")
请将path/to/data.yaml、path/to/test_image.jpg和path/to/test_dir/替换为你实际的文件路径。通过上述步骤，你应该能够成功地搭建环境、训练模型、进行推理，并评估其性能。
仅供参考
基于训练好的YOLOv8权重建立一个深度学习医疗垃圾检测系统，涉及从加载模型到部署的全过程。以下是详细的步骤和代码示例：
1. 环境准备
确保你的环境中安装了所有必要的依赖库。对于YOLOv8，可以这样安装：
pip install ultralytics opencv-python-headless
2. 加载训练好的模型权重
首先，你需要加载之前训练好的YOLOv8模型权重。假设你已经保存了训练好的模型文件（如best.pt）。
from ultralytics import YOLO
# 加载训练好的模型权重
model = YOLO('path/to/your/best.pt') # 替换为你的模型权重文件路径
3. 模型推理
单张图片推理
下面是一个对单张图片进行推理的例子：
import cv2
def detect_image(image_path):
results = model.predict(source=image_path, save=True, conf=0.25) # 设置置信度阈值
for result in results:
img = cv2.imread(image_path)
for box in result.boxes:
x1, y1, x2, y2 = [int(x) for x in box.xyxy]
cls = int(box.cls.item())
label = f'{result.names[cls]} {box.conf.item():.2f}'
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv2.putText(img, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
cv2.imshow('Detected Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
detect_image('path/to/test_image.jpg') # 替换为你的测试图片路径
批量推理
如果你想对整个目录中的图片进行批量处理，同学，可以这样做：
import os
def detect_images_in_dir(directory_path):
for filename in os.listdir(directory jadx
看起来我的回复被意外截断了。让我们继续完成关于如何进行批量推理的部分，并提供完整的代码示例。
完整的批量推理实现
为了对某个目录下的所有图片进行批量推理并显示结果，你可以使用以下代码：
import os
from ultralytics import YOLO
import cv2
# 加载训练好的模型权重
model = YOLO('path/to/your/best.pt') # 替换为你的模型权重文件路径
def detect_images_in_dir(directory_path):
"""
对指定目录下的所有图片进行推理。
:param directory_path: 存放待检测图片的目录路径
"""
for filename in os.listdir(directory_path):
if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')): # 支持的图片格式
image_path = os.path.join(directory_path, filename)
results = model.predict(source=image_path, save=True, conf=0.25) # 设置置信度阈值
for result in results:
img = cv2.imread(image_path)
for box in result.boxes:
x1, y1, x2, y2 = [int(x) for x in box.xyxy]
cls = int(box.cls.item())
label = f'{result.names[cls]} {box.conf.item():.2f}'
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv2.putText(img, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
cv2.imshow('Detected Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 调用函数处理特定目录下的所有图片
detect_images_in_dir('path/to/test_dir/') # 替换为你的测试图片目录路径
4. 构建用户界面（可选）
为了让系统更加用户友好，可以考虑构建一个简单的图形用户界面(GUI)。这里给出一个简单的Tkinter例子来打开本地图片并显示检测结果：
import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
def open_image():
file_path = filedialog.askopenfilename()
if not file_path:
return
results = model.predict(source=file_path, save=False)
img = Image.open(file_path)
img = img.resize((600, 600)) # 根据需要调整大小
img_tk = ImageTk.PhotoImage(img)
# 假设你已经将预测结果绘制回原图
panel.configure(image=img_tk)
panel.image = img_tk
root = tk.Tk()
panel = tk.Label(root)
panel.pack(pady=10)
btn = tk.Button(root, text="Open Image", command=open_image)
btn.pack(side="bottom")
root.mainloop()
5. 部署
-
导出模型：为了方便部署，可以将模型导出为ONNX或其他适合部署的格式。
success = model.export(format="onnx") -
Web服务：利用Flask或FastAPI创建一个RESTful API服务，接收上传的图片并返回检测结果。
-
移动应用：通过TensorFlow Lite或者ONNX Runtime将模型部署到移动端。
基于训练好的YOLOv8权重建立一个深度学习医疗垃圾检测系统。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
