如何使用深度学习框架目标检测算法Yolov8训练无人机视角垃圾检测数据集通过训练的无人机垃圾数据集权重建立深度学习yolov8无人机垃圾检测系统-CSDN博客

如何使用深度学习框架目标检测算法Yolov8训练无人机视角垃圾检测数据集通过训练的无人机垃圾数据集权重建立深度学习yolov8无人机垃圾检测系统

收集整理的“无人机视角垃圾检测数据集”的训练及应用
以下文字及代码仅供参考。

🚮 无人机视角垃圾检测数据集

数据集

项目	详情
总图片数	772 张
训练集 (Train)	540 张
验证集 (Val)	116 张
测试集 (Test)	116 张
总类别数	1 类

类别统计

序号	中文名称	英文类别名	图片数量	标注框数量
1	垃圾	rubbish	772	3,718

数据分布

集合	图片数量
训练集 (Train)	540
验证集 (Val)	116
测试集 (Test)	116
总计	772

在这里插入图片描述
2

1
在这里插入图片描述
1

无人机视角垃圾检测数据集，共 772 张图像，包含 1 个类别（rubbish），属于典型的单类目标检测任务。训练、推理与部署指南，适用于 YOLOv5 / YOLOv8 系列模型。代码示例，仅供参考学习！

📁 一、目录结构要求（YOLO 格式）

建议将数据集整理为如下结构：

drone_rubbish_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

🧾 二、创建 `data.yaml` 文件

train: ./images/train
val: ./images/val
test: ./images/test

nc: 1  # 类别数量
names: ['rubbish']

🔧 三、环境搭建（YOLOv8）

安装依赖

# 创建虚拟环境（可选）
python -m venv drone_yolo_env
source drone_yolo_env/bin/activate  # Windows: drone_yolo_env\Scripts\activate

# 安装 ultralytics 和 OpenCV
pip install ultralytics opencv-python-headless

📦 四、模型选择与训练

推荐使用 YOLOv8s 或 YOLOv8n（轻量级适合无人机部署）

开始训练

yolo task=detect mode=train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640 batch=16 workers=4

参数说明：

参数	含义
`model`	使用的预训练模型（如 yolov8s.pt）
`data`	数据配置文件路径
`epochs`	总训练轮次
`imgsz`	输入图像尺寸（推荐640或1280）
`batch`	批量大小（根据GPU内存调整）
`workers`	数据加载线程数

📊 五、性能评估（验证集）

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data.yaml

输出指标包括：

mAP@0.5
mAP@0.5:0.95
Precision, Recall
FPS（帧率）

🎥 六、模型推理与部署

1. 单图推理

from ultralytics import YOLO
import cv2

model = YOLO('runs/detect/train/weights/best.pt')
results = model('path/to/image.jpg')

for r in results:
    im_array = r.plot()
    cv2.imshow("Rubbish Detection", im_array)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2. 实时视频流推理（无人机摄像头）

def detect_video(video_path):
    cap = cv2.VideoCapture(video_path)
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        results = model(frame)
        annotated_frame = results[0].plot()
        cv2.imshow("Drone Rubbish Detection", annotated_frame)
        if cv2.waitKey(1) == ord("q"):
            break
    cap.release()
    cv2.destroyAllWindows()

detect_video(0)  # 0 表示摄像头；也可以传入视频路径

3. 批量预测整个文件夹

yolo task=detect mode=predict model=best.pt source="path/to/images" save=True

🚀 七、模型导出为 ONNX / TensorRT / OpenVINO

导出为 ONNX 格式

yolo export model=best.pt format=onnx

导出为 TensorRT（需 NVIDIA Jetson）

yolo export model=best.pt format=engine device=0  # device=0 表示使用GPU

导出为 OpenVINO（用于 Intel 设备）

yolo export model=best.pt format=openvino

📁 八、测试集批量评估（自定义脚本）

如果你想对测试集进行批量评估并统计结果：

import os
from ultralytics import YOLO

model = YOLO('best.pt')
test_dir = './images/test'

results = []
for img_file in os.listdir(test_dir):
    if img_file.endswith('.jpg'):
        img_path = os.path.join(test_dir, img_file)
        result = model(img_path)[0]
        results.append(result)

# 可视化部分结果
for res in results[:5]:
    res.show()

🧱 九、Docker 部署建议（可选）

Dockerfile 示例

FROM python:3.10
WORKDIR /app
COPY . .
RUN pip install -r requirements.txt
CMD ["python", "inference.py"]

构建镜像

docker build -t drone_rubbish_yolo .

运行容器

docker run -it --rm -v $(pwd)/data:/app/data drone_rubbish_yolo

以上文字及代码仅供参考学习。