【yolo检测时只检测一个或几个类】

已于 2024-01-30 14:22:01 修改
阅读量394 收藏 1
点赞数 4
文章标签： YOLO python 目标检测
于 2024-01-30 14:14:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ban102055/article/details/135931832
版权

在这里插入图片描述

  1. yolov5模型中，设置detect.py脚本中的‘–classes’来选择要检测的类,在help前加入default=0,就是只检测‘0’这个类。
  2. 也可以在调用的detect.py脚本的时候加入这个参数。
python detect.py --weights ./weights/best.pt --classes 0 --img 640 --conf 0.5 --source ../test
待磨的钝刨
关注
  • 4
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
yolov8目标检测预训练权重
04-19
该资源包含：yolov8n.pt，yolov8s.pt，yolov8m.pt，yolov8l.pt，yolov8x.pt目标检测预训练权重文件
Yolo，you only look once，yolo物体检测系列算法介绍，70页PPT资源
07-10
YOLO（You Only Look Once）系列算法是一系列流行的目标检测算法，由Joseph Redmon等人于2015年首次提出。YOLO算法的核心思想是将目标检测任务转化为一个单一的回归问题，通过单次前向传递网络即可同时预测图像中多个目标的位置和类别。 以下是YOLO系列算法的几个重要版本： YOLOv1：YOLOv1是最早的YOLO版本，它使用一个单独的卷积神经网络将输入图像分割成网格，并在每个网格中预测边界框和类别概率。YOLOv1将目标检测问题建模为一个回归问题，并采用全局损失函数进行优化。然而，YOLOv1在小目标检测和定位精度方面存在一定的限制。 YOLOv2（YOLO9000）：YOLOv2是对YOLOv1的改进版本，通过引入更深的网络架构、使用Anchor Boxes来处理不同尺度的目标，并采用多尺度训练策略来提高检测性能。此外，YOLOv2还引入了一种联合训练的方法，可以在检测常见目标的同时进行图像分类任务。 YOLOv3：YOLOv3在YOLOv2的基础上进一步改进，通过引入更深的Darknet-53网络作为特征提取器，并使用FPN（Feature Pyra
YOLOv8只检测人（或其他一种或者多种类别）
GuoKe_L的博客
03-20 910
yolo只检测特定物体
YOLO-Drone：高空视角空中实时检测致密小物体
05-16
配备遥感目标探测技术的无人机，迅速获得了广泛的应用和已成为该领域的主要研究热点之一计算机视觉。虽然无人机遥感系统有能够探测各种物体，小尺度物体即可由于物体大小等因素，很难进行可靠的检测，图像退化和实时限制。为了解决这些问题 提出了一种实时目标检测算法(YOLO-Drone)提出并应用于两种新型无人机平台以及一种特定光源(硅基黄金LED)。YOLO-Drone提出了几个新奇之处:1)包括一个新的骨干Darknet59;2)一种新的复杂特征聚合模块MSPP-FPN它包含了一个空间金字塔池和三个空间空间金字塔池模块;3)和泛化的使用交集/并(GIoU)作为损失函数。评估性能，两个基准数据集，UAVDT和VisDrone，以及夜间在硅基金色led下获得的自制数据集。实验结果表明:在UAVDT和VisDrone中，提出的YOLO-Drone优于最先进的(SOTA)目标检测方法mAP分别提高10.13%和8.59%。关于UAVDT, YOLO-Drone表现出两者的高实时推理速度为53 FPS，最大mAP为34.04%。值得注意的是，YOLO-Drone在以
bubbllling博主目标检测代码，在训练多类目标的情况修改，如何只检测一类目标。
weixin_43501408的博客
07-22 550
问题描述：我做对比实验时，训练的两类权重，我只想输出检测一类。如果是官方YOLOv5、YOLOv7和YOLOv8代码的话，我只需要在终端输入python detect.py --classes 0就可以了（或者python predict.py --classes 0）.比如在FasterRCNN中，YOLO同理，修改绘制图像的部分，只绘制我们想要检测的那个类就行了。简而言之，就是增加一条判断类的语句，找出符合我们需要的类。但是bubbllling博主的代码需要修改一下代码。
12.23yolov8识别缺少类别
m0_55964465的博客
12-23 482
train.py跑出来的类别label.jpg 缺少一个,但是标签里面和data.yaml文件都是正确.这种情况是因为之前data.yaml是错误的,然后运行了这个错误的文件,导致在数据集文件夹中存在.cache缓存,会被模型利用,这样自然就是错误的,把这个删除后重新运行即可 使用model.predict的话，model中会自动默认是当初yaml中设置的类别，不会预测出别的类别，如果新开类别后，就要用新开类别训练的模型 预测得到新的标注文件 来与新开类别下的txt标注文件做对比；因为如果还用旧的模型预测
YOLOv2 项目中在检测多类情况下只输出其中一类
weixin_42183449的博客
05-27 7423
在训练yolo模型中，本作者采用了Yolov2的预训练模型来训练了门，车，行人，建筑物，树这五个类别，而在我们sence.name中我们门是第一类（0），车是第二类（1），行人是第三类（2），建筑物是第四类（3），树是第五类（4）。但是，由于项目要求，本人只想采用得到只有行人的boundingbox作为网络的输出而不是训练的五类，有什么方法能够实现呢？首先，第一个方法当然是你可以拿Yolov2的官...
yolov5检测单一类别
积极向上的mr.d的博客
04-10 1222
yolov5检测单一类别
yolov5只检测一种类别（以检测人为例）
weixin_69381385的博客
08-07 1336
在终端调用detect.py进行检测时设置 --classes 0 即可，0代表CoCo80中类别的person。在detect.py中有这样的代码。
YOLO算法海洋水下垃圾检测数据集
06-14
1、VOC水下垃圾检测数据集，几千张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，包含许多不同类型的海洋垃圾的图像；...
面试问题总结-关于YOLO系列（一）这是一份总结YOLO系列目标检测算法的面试问题.md
03-18
根据给出的文档内容,这是一份总结YOLO系列目标检测算法的面试问题,重点介绍了YOLO v1版本。主要包括以下几个方面: 1. 简要介绍了YOLO算法提出的背景,传统的滑窗检测和区域检测算法的缺院。 2. 阐述了YOLO v1的算法...
YOLOv5行人检测+训练好的行人检测模型+数据集
07-10
1、YOLOV5行人检测，内含各种训练曲线图，在几千张街道和交通场景的行人数据集中训练得到的权重，并附有数据集，使用lableimg软件标注软件标注好的行人数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，...
Yolov5简单部署（使用自己的数据集）
omit250的博客
04-29 783
YOLOv5是一种基于深度学习的目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。与以往的版本相比，YOLOv5具有更快的速度和更高的准确性。YOLOv5是一个开源项目，它在各种场景下都取得了很好的效果，包括。设置环境变量 ：D:\ProgramData\miniconda3\condabin\conda.bat。更新 pip ：python -m pip install --upgrade pip。大佬的文章（侵权请联系，马上删除），做的工作为。pip 清华源 -i。
【YOLO改进】换遍IoU损失函数之SIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-29 508
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用SIoU损失函数替换YOLO中常用的CIoU损失函数。
目标检测算法YOLOv3简介
网络资源是无限的
05-01 676
目标检测算法YOLOv3简介
【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-30 629
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用DIoU损失函数替换YOLO中常用的CIoU损失函数。
yolov5口罩检测实战
最新发布
Che_Che_的博客
05-01 331
在B站上有这个UP主的实操视频。
特征融合篇 | YOLOv8 引入动态上采样模块 | 超过了其他上采样器
YOLOv8项目贡献者
04-29 427
特征融合篇 | YOLOv8 引入动态上采样模块 | 超过了其他上采样器
写一个yolo检测系统
06-02
要实现 YOLO（You Only Look Once）检测系统，需要以下几个步骤： 1. 数据准备：收集和标注训练数据集，例如 ImageNet 或者 COCO 数据集。 2. 搭建神经网络：使用深度学习框架，如TensorFlow或PyTorch，搭建 YOLO 神经网络。 3. 训练模型：使用准备好的数据集和搭建好的神经网络，进行模型的训练。可以使用随机梯度下降（SGD）等算法进行训练。 4. 模型优化：优化模型的参数和结构，以提高其准确性和性能。 5. 部署模型：将训练好的模型部署到计算机或嵌入式系统中，可以使用 TensorFlow Serving 或 ONNX 等工具。 6. 进行检测：使用训练好的模型进行目标检测和识别，可以使用 OpenCV 或者其他工具进行。 下面是一个基于 TensorFlow 框架的 YOLO 检测系统的代码示例： ```python import tensorflow as tf import cv2 import numpy as np # 加载模型 model = tf.keras.models.load_model('yolo.h5') # 定义类别列表 classes = ['person', 'car', 'truck', 'bus', 'motorbike'] # 定义预测函数 def predict(image): # 缩放图像 image_resized = cv2.resize(image, (416, 416)) # 将图像转换为张量 image_tensor = tf.convert_to_tensor(image_resized) # 扩展维度 image_tensor = tf.expand_dims(image_tensor, 0) # 预测边界框 boxes, scores, classes, nums = model.predict(image_tensor) # 显示边界框 for i in range(nums[0]): class_id = int(classes[0][i]) score = scores[0][i] box = boxes[0][i] # 计算边界框坐标 x1 = int(box[0] * image.shape[1]) y1 = int(box[1] * image.shape[0]) x2 = int(box[2] * image.shape[1]) y2 = int(box[3] * image.shape[0]) # 绘制边界框 cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, f'{classes[class_id]}: {score}', (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) return image # 加载图像 image = cv2.imread('image.jpg') # 进行预测 result = predict(image) # 显示结果 cv2.imshow('result', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这是一个简单的 YOLO 检测系统的代码示例，仅供参考。实际上，要实现一个高效、准确的 YOLO 检测系统，需要更多的优化和调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值