yolo图像识别教程 - 以原神人物识别为例(4)

上篇地址:yolo图像识别教程 - 以原神人物识别为例(3)-CSDN博客

本篇主要内容为图像标注工具导出及yolov8的安装

一、图像标注

上篇介绍了YOLO V8的label标签的格式,现在介绍如何使用X-AnyLabeling-CPU版导出

(一)编制类别的txt文件后导出

例如:

需要注意的是标签需要为英文,不同类别之间换行。编制好后,点击上方的导出yolo标签后选中该txt后即可导出。默认导出为label文件夹。

二、导入YOLO V8

这里先提供yolov8官方文档链接Home - Ultralytics YOLOv8 Docs

 YOLO V8默认提供两种安装方式,分别pip与源代码安装。本文使用pip安装方式。

pip install ultralytics

导入成功后,即可载入官方自定义模型,需要注意的是,此api会自动下载模型(需要科学上网),网络条件不好的,可以自行下载,放在py文件的同级目录下。也可配置yaml文件(后文会介绍),自定义模型。

model = YOLO("yolov8m.pt") #预训练模型
model = YOLO('yolov8n.yaml') #自定义模型

之后会介绍如何训练自己的图形识别模型,来识别原神人物。

  • 5
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于yolo目标检测的人物识别是一种利用深度学习算法准确识别图像中人物的技术。yolo是一种实时目标检测算法,其特点是能够在保持较高准确率的同时实现实时检测,适用于各种场景。 yolo目标检测人物的过程主要分为两个步骤:首先是目标定位,其通过对输入图像进行分割和分类,识别出包含人物的边界框。然后是目标分类,通过对边界框中的图像进行多次网络预测和筛选,得到最终的人物类别和置信度。 在实际应用中,yolo目标检测人物具有多个优势。首先,由于其采用单一神经网络,所以可以达到较高的实时性。其次,yolo框架在多尺度上进行预测,能够更好地处理不同尺寸的人物。此外,yolo检测算法在目标的边界框预测中引入了回归,可以更准确地预测人物的位置和大小。最后,yolo框架训练简单,只需进行单一的前向和反向传播即可,因此易于实现和应用。 然而,基于yolo目标检测人物也存在一些挑战。首先,人物的遮挡、姿态变化和复杂背景可能会导致检测的不准确性。其次,当人物与其他目标类别重叠时,可能会导致目标混淆和多重检测。此外,yolo框架对小尺寸目标的检测相对较弱,可能会导致漏检的情况。 总的来说,基于yolo目标检测人物是一种高效且准确的技术,可以广泛应用于人脸识别、视频监控、自动驾驶等领域,但在面对复杂场景和小尺寸目标时仍需不断改进。

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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