Yolo-v8 语言基础教程笔记

Yolo-v8 语言基础教程笔记

基于最新的YOLO版本（如YOLOv8或其后续版本）来编写一个详细的教程。假设你想要了解如何使用最新的YOLO版本进行目标检测，以下是一个基于YOLOv8的入门教程。

YOLOv8 入门教程

1. 环境准备

首先，你需要安装必要的软件和库。

• Python：确保你已经安装了 Python 3.7 或更高版本。
• PyTorch：YOLOv8 基于 PyTorch 框架。
• ultralytics/yolov8：YOLOv8 的官方实现。

安装依赖

# 创建虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # 在 Windows 上使用 `yolov8_env\Scripts\activate`

# 安装 PyTorch
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113  # 如果使用 CUDA

# 安装 YOLOv8
pip install ultralytics

2. 下载预训练模型

YOLOv8 提供了多个预训练模型，可以根据你的需求选择合适的模型。

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')  # n, s, m, l, x 分别代表不同大小的模型

3. 进行目标检测

你可以使用预训练模型对图像或视频进行目标检测。

对单张图片进行目标检测

import cv2
from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')

# 读取图片
image_path = 'path/to/your/image.jpg'
results = model(image_path)

# 显示结果
for r in results:
    im_array = r.plot()  # 绘制边界框
    im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
    cv2.imshow('YOLOv8 Detection', im)
    cv2.waitKey(0)
cv2.destroyAllWindows()

对视频进行目标检测

import cv2
from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')

# 打开视频文件
video_path = 'path/to/your/video.mp4'
cap = cv2.VideoCapture(video_path)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # 进行目标检测
    results = model(frame)
    
    # 显示结果
    for r in results:
        im_array = r.plot()  # 绘制边界框
        im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
        cv2.imshow('YOLOv8 Video Detection', im)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

4. 训练自定义数据集

如果你有自定义的数据集，可以使用 YOLOv8 进行训练。

准备数据集

• 将数据集组织成 COCO 格式或其他支持的格式。
• 创建数据配置文件（例如 data.yaml），指定训练、验证和测试数据集的位置。

train: path/to/train/images
val: path/to/val/images
test: path/to/test/images

nc: 80  # 类别数量
names: ['person', 'bicycle', ...]  # 类别名称

训练模型

from ultralytics import YOLO

# 初始化模型
model = YOLO('yolov8n.pt')  # 使用预训练模型作为起点

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 数据配置文件
    epochs=100,  # 训练轮数
    imgsz=640,  # 输入图像尺寸
    batch=16,  # 批处理大小
    name='yolov8_custom'  # 实验名称
)

5. 评估模型

训练完成后，你可以对模型进行评估。

# 评估模型
metrics = model.val()  # 默认使用验证集
print(metrics)

6. 导出模型

你可以将训练好的模型导出为 ONNX 或其他格式，以便在其他平台上部署。

# 导出为 ONNX 格式
success = model.export(format='onnx')

总结

以上是一个基于 YOLOv8 的简单入门教程，涵盖了从环境设置到模型训练和评估的基本步骤。通过这个教程，你应该能够开始使用 YOLOv8 进行目标检测，并根据需要进一步探索和优化模型。