目录
1. YOLOv8环境安装
YOLOv8的运行环境主要包括四部分：
1）PyCharm
PyCharm 是一款由 JetBrains 开发的 Python 集成开发环境（IDE），提供了智能代码补全、实时错误检查、快速修复等功能，帮助开发者提高 Python 编程的效率和质量。
2）Miniconda
Miniconda 是一个小巧的 Python 环境管理工具，它包含了 conda 软件包管理器和 Python，一旦安装了 Miniconda，就可以使用 conda 命令安装任何其他软件工具包并创建环境。
3）Pytorch
PyTorch 是一个由 Facebook 开发的开源深度学习框架，它提供了灵活、直观的接口和强大的 GPU 加速，支持动态神经网络和丰富的 API 和工具，使得构建和训练复杂的机器学习模型变得更加容易。
软件链接：PyTorch
https://pytorch.org/
4）ultralytics(YOLOv8)
YOLOv8 是一款最新的、先进的实时物体检测模型，它在前几代 YOLO 的成功基础上引入了新的功能和改进，以提高性能和灵活性，可以在从 CPU 到 GPU 的各种硬件平台上运行。
该部分的安装可以参考
***恭喜恭喜，您已经成功完成以上4个内容，接下来可以进行下一步操作了！！！
2. 数据集构建
在计算机视觉中，数据集是一组用于训练、验证和测试计算机视觉模型的图像或视频。数据集通常包含大量的标注信息，如图像中物体的位置、类别等。
数据集在计算机视觉中的重要性主要体现在以下几个方面：
（1）训练模型：通过大规模的图像数据集，计算机视觉算法可以学习到图像的特征和语义信息，从而实现图像分类、目标检测、人脸识别等任务。
（2）评估模型：数据集也用于评估模型的性能。通过在相同的数据集上评估不同的模型，可以比较它们的性能。
（3）推动研究：公开的数据集可以推动计算机视觉的研究。例如，飞飞姐的ImageNet数据集的发布极大地推动了深度学习在计算机视觉中的应用。
2.1 数据准备
（1）图片类型数据：无需额外处理，直接进行标注
（2）视频类型数据：进行抽帧处理，导出为图片
# 视频抽帧处理程序
import cv2
video = cv2.VideoCapture('./DINO.mp4')
num = 0 # 计数器
save_step = 60 # 间隔帧
while True:
ret, frame = video.read()
if not ret:
break
num += 1
if num % save_step == 0:
cv2.imwrite('./train/demo_images/' + str(num) + '.jpg', frame)2.2 数据集标注程序、网页及软件
（1）Labelimg
LabelImg是图形图像标注工，用Python编写的，并将Qt用于其图形界面，可以用于进行目标检测项目的标注工作。
labelimg教程可以参考：
（2）LabelMe
Labelme 是一个图形界面的图像标注软件。它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）。
（3）MakeSense
基于JavaScript开发用于图像目标检测的标注工具，使用React+Redux进行开发，支持Windows和Linux平台运行。
（4）精灵标注助手（Colabeler）
相比于Labelme，LabelImg这些标注工具，精灵标注助手强大的地方在于支持实例分割、目标检测、文本标注、音频标注和视频标注等 ，并且完全免费。
（5）CVAT
CVAT是一个免费的、在线的、交互式的视频注释工具，支持本地部署，无需担心数据外泄。它支持多人协作，能用于几乎所有CV相关标注任务，如点，多边形，语义分割等。
（6）VIA(VGG Image Annotator)
一款开源的图像标注工具，由Visual Geometry Group开发。可以在线和离线使用，可标注矩形、圆、椭圆、多边形、点和线。
2.3 公开的CV数据集网站
（1）谷歌数据库：Dataset Search (google.com)
谷歌数据集搜索是一个在线工具，允许用户搜索、发现和访问各种来源的数据集，包括政府机构、学术机构、企业和个人贡献者。这些数据集涵盖广泛的主题，包括医疗保健、金融、气候、交通、社会科学和艺术。
（2）RobolFlow：All Projects | Roboflow Universe Search
Roboflow 是一个提供一站式解决方案的平台，用户可以在该平台上上传、组织、标注、增强和处理数据集，然后简化训练过程，并通过多种部署选项加速模型的部署。该平台提供了许多已经标注好的yolo格式的数据集，可直接下载使用。
（3）VisualData：VisualData Discovery - Search Engine for Computer Vision Datasets
VisualData是一个专用于搜索计算机视觉数据集和代码／模型的搜索引擎。该网站现已收集281个计算机视觉数据集，用户可以在该网站上通过简单的搜索找到适合自己项目的数据集。
（4）ImageNet：ImageNet (image-net.org)
ImageNet是市场上最大、最受欢迎的开源数据集之一。ImageNet拥有超过1400万张已手动标注的图像。数据库按WordNet层次结构予以组织，对象级标注通过边界框完成。
（5）LSUN：https://www.yf.io/p/lsun
LSUN数据集为场景理解（房间布局估计，显着性预测等）提供了许多辅助任务。
（6）COCO：COCO - Common Objects in Context (cocodataset.org)
COCO是大规模的对象检测，分割和字幕数据集，包含超过200,000张带标签的图像。
3. 模型训练
3.1 训练前准备
在机器学习中，我们通常会将数据集划分为训练集、验证集和测试集：
-
训练集：训练集用于模型的训练，即用于调整模型的参数。这就像是学生的课本，用于日常的知识巩固。
-
验证集：验证集用于模型的调整和评估。它可以用来选择和调整模型的超参数，以及对模型的能力进行初步评估。这就像是学生的周考，用来纠正和强化学到的知识。
-
测试集：测试集用于评估模型的最终性能，即模型的泛化能力。但它不能用于调整模型的参数或选择特征等算法相关的选择。这就像是学生的期末考试，用来最终评估学习效果。
在实际应用中，训练集、验证集和测试集的划分比例一般遵循6:2:2的原则。这三个数据集的数据分布应该是近似的，但它们所用的数据是不同的。这样做的目的是为了使模型的训练效果能合理地泛化至测试效果，从而推广应用至现实世界中。同时，模型在训练集、验证集和测试集上所反映的预测效果可能存在差异。
示例：杂草检测
目前已经获取到了60张杂草图片，并利用labelimg进行了杂草数据的标注。由于图片数量较少，这里将编号1~19+31~60共计49张图片作为训练集，将编号20~30共计11张图片作为验证集。
首先需要对源图片以及处理好的进行文件整理，文件的结构可以如下图所示：
bvn # 数据集名称
images # 存放图片
train # 训练集图片
val # 验证集图片
labels # 存放标签(图片中不同类别的定位数据)
train # 训练集标签文件，要与训练集图片名称一一对应
val # 验证集标签文件，要与验证集图片名称一一对应3.2 Pycharm杂草识别教程
Step1: 首先，先从Ultralytics官方网站上下载源码（这一步是方便后续操作）并解压。
Step2: 新建Pycharm项目，命名为ultralytics-main。在资源管理器中打开ultralytics-main目录，将Step1中的文件复制粘贴到该目录下。完成后的Pycharm页面如下图所示：
Step3: Pycharm环境中，在项目ultralytics-main下新建目录datasets(不可改变名称，否则后续操作会报错)，在资源管理器中打开datasets目录，将含有训练集和验证集的文件夹bvn复制粘贴到该目录下。完成后的页面如下图所示：
Step4: 创建配置文件。在项目ultralytics-main下新建文件yolo-bvn.yaml，键入以下内容。
path: bvn # 数据集目录
train: images/train # 训练集图片目录
val: images/val # 验证集图片目录
test: # 没有设置测试集图片，此处为空即可
# Classes
names:
0: bodyak
1: osot
2: shchavel
Step5: 通过代码运行。在项目ultralytics-main下新建文件yolov8-train.py文件，键入以下内容。
from ultralytics import YOLO
# load a model
model = YOLO('yolov8n.pt')
# Train the model
model.train(data='yolo-bvn.yaml', workers=0, epochs=50, batch=16)
# windows平台，此处的workers必须设置为0，否则报错。Step6: 选择在当前文件运行。运行完成后项目里会出现“runs”文件夹。在runs_ detect_ train_ weights中包含了计算得到的最优模型和最后的模型。
Step7: 验证模型的准确性。选择验证集中的一张照片，验证所得到的最优模型的准确性。在pycharm终端中输入:
yolo detect predect model=runs/detect/train11/weights/best.pt source=./25.jpg show=True
4. 结语
目标检测只是计算视觉中很小的一部分，还有分类、动态跟踪、定位等一系列的工作。我这是个新手，上面的内容虽然看似简单，但却花费了我一个月时间去购置主机、配置yolov8环境、搜寻数据集、标注、跑程序等。接下来我会继续更新关于杂草识别与定位的个人研究内容，欢迎大家持续关注。
1591
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
