如何使用监控视角下的睡岗岗位数据集 睡觉数据集 工作睡觉数据集来训练YOLOv8目标检测模型 2类 map50为80.6% 525张 yolo格式

睡岗数据集。

数据集中有相当一部分图片是监控摄像头下的真实画面。数据集已经标注好，txt格式，yolo格式，适用于训练yolo系列目标检测模型。

数据集已经划分好训练集420张，验证集105张，包含类别标签文件，数据集分为两类:sleep、unsleep。数据集亲测可用，yolov8m实测map50为80.6%

好的，让我们详细介绍这个睡岗数据集，并展示如何使用它来训练YOLOv8目标检测模型。以下是详细的步骤和代码示例。

数据集介绍

基本信息

• 类别: sleep 和 unsleep
• 格式: 图片（JPEG/PNG）和标注文件（TXT）
• 标注格式: YOLO 格式（类别ID 中心X 中心Y 宽度 高度）
• 划分:
  • 训练集: 420 张图片
  • 验证集: 105 张图片
• 性能: 使用YOLOv8m实测 mAP@0.5 为 80.6%

数据集结构

假设数据集的目录结构如下：

sleep_detection_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   └── val/
│       ├── img1.jpg
│       ├── img2.jpg
│       └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   └── val/
│       ├── img1.txt
│       ├── img2.txt
│       └── ...
├── data.yaml
└── README.md

类别标签文件 (data.yaml)

如何训练YOLOv8模型

我们将使用Ultralytics的YOLOv8库来进行训练。以下是详细步骤：

1. 安装依赖项

   首先，确保你已经安装了必要的Python库：

   pip install ultralytics opencv-python
   

2. 准备数据集

   确保你的数据集目录结构如上述所示，并且 data.yaml 文件正确配置。

3. 编写训练脚本

   创建一个训练脚本来启动训练过程。

   [<title=“YOLOv8 训练脚本”>]

   from ultralytics import YOLO
   
   # 加载预训练的YOLOv8m模型
   model = YOLO('yolov8m.pt')
   
   # 训练模型
   results = model.train(
       data='sleep_detection_dataset/data.yaml',
       epochs=50,
       batch=16,
       imgsz=640,
       save_period=-1,  # 不保存中间权重
       project='runs/detect/sleep_detection',
       name='yolov8m_sleep'
   )
   

4. 运行训练脚本

   在终端中运行训练脚本：

   python train_yolov8.py
   

5. 评估模型

   训练完成后，可以使用验证集评估模型性能。

   [<title=“YOLOv8 评估脚本”>]

   from ultralytics import YOLO
   
   # 加载训练好的模型
   model = YOLO('runs/detect/sleep_detection/yolov8m_sleep/weights/best.pt')
   
   # 评估模型
   metrics = model.val(data='sleep_detection_dataset/data.yaml')
   print(metrics)
   

6. 推理与测试

   使用训练好的模型进行推理和测试。

   [<title=“YOLOv8 推理脚本”>]

   from ultralytics import YOLO
   import cv2
   
   # 加载训练好的模型
   model = YOLO('runs/detect/sleep_detection/yolov8m_sleep/weights/best.pt')
   
   # 读取图像
   image_path = 'path/to/test/image.jpg'
   img = cv2.imread(image_path)
   
   # 进行预测
   results = model(img)
   
   # 显示结果
   for result in results:
       boxes = result.boxes.cpu().numpy()
       for box in boxes:
           r = box.xyxy[0].astype(int)
           cls = int(box.cls[0])
           conf = box.conf[0]
           label = f'{model.names[cls]} {conf:.2f}'
           cv2.rectangle(img, (r[0], r[1]), (r[2], r[3]), (0, 255, 0), 2)
           cv2.putText(img, label, (r[0], r[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
   cv2.imshow('Inference Result', img)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

可视化训练结果

你可以使用Ultralytics提供的工具来可视化训练过程中的损失曲线、mAP等指标。

tensorboard --logdir runs/detect/sleep_detection/yolov8m_sleep

总结

。这个模型能够有效地识别监控摄像头下的“睡岗”和“非睡岗”状态。希望这些详细的信息和代码示例对你有所帮助