YOLOV8实战-和平精英敌我检测

最新推荐文章于 2024-06-04 02:02:03 发布
最新推荐文章于 2024-06-04 02:02:03 发布
阅读量1.2k 收藏 18
点赞数 9
文章标签： YOLO 人工智能 python
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/m0_49710816/article/details/138799270
版权

YOLOV8实战，从环境配置、数据准备、数据标注、模型训练、模型导出到源码分享

前言：

最近刷到有大佬用目标检测在做害虫密度检测，不明觉厉，心想有时间了我也要去琢磨琢磨物体检测，前几天又有人找我帮忙做cf的敌我检测，这回可是下了决心要磕一磕这个技术了，网上写YOLOV8的教程不少，但是从数据集制作、标注、训练、应用的详细教程往往不在一篇文章中，借鉴起来不是那么方便，所以我把自己摸索路上的一些笔记记录在这个平台，一来是备份，方便我将来自己寻找，二来嘛如果将来有人有相同的需求时也能有个参照

效果展示

图片展示

在这里插入图片描述

视频展示

和平精英敌我检测

简介：

【YOLOV8是啥？】

YOLOv8是Ultralytics的最新版本YOLO。作为最先进的 SOTA 模型，YOLOv8 建立在以前版本成功的基础上，引入了新功能和改进，以增强性能、灵活性和效率。

【YOLOV8能干啥？有啥应用场景？】

有应用场景能帮我们更好的掌握这项技术哦，比如我就是从病虫害检测和敌我检测开始入手学习的。
YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿势估计、跟踪和分类。这种多功能性使用户能够在不同的应用程序和域中利用YOLOv8的功能。模型中只需要设定不同的训练模型，就可以得到不同的检测结果。

接下来进入教程了

一、环境准备

1、新建一个虚拟环境

在Anaconda Prompt里面输入以下指令新建环境

conda create --name YOLOV8_1 python=3.9

上面代码里的–name是新建的环境名称，指定python版本为3.9，可按需更改

新建完成后，输入以下代码进入新建的虚拟环境

activate YOLOV8_1

2、配置第三方库

在虚拟环境里输入以下指令下载ultralytic库和labelimg库，其中调用YOLOV8在ultralytic库，数据标注要用到labelimg库

pip install ultralytics

pip install labelimg

3、另外我们需要通过克隆仓库到本地来获得yolov8最新版本。

github地址：，链接直达

 https://github.com/ultralytics/ultralytics

git

4、下载一个预训练模型包

github地址：，链接直达

https://github.com/ultralytics/assets/releases/tag/v8.2.0

在这里插入图片描述

网站上提供了s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），模型下载好之后和你的代码放在同级文件夹下

5、环境测试

环境准备到这里就差不多了，接下来执行代码测试一下环境搭建是否成功

测试代码


from ultralytics import YOLO
#加载模型，换成你自己的文件位置，图片也一样
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt"
source=r"C:\Users\user2580185125\Desktop\yolov8博客\测试环境.png"
#进行预测并保存
model.predict(source, save=True, imgsz=640, conf=0.7)

测试效果展示

【原图】

在这里插入图片描述
【效果图】

在这里插入图片描述
这就代表你的环境搭建好了，我们要进入下一步骤了

二、数据集制作

我们测试的图片数据来自游戏视频，当然如果你有自己的图片素材也可，爬虫也可，我先录屏自己玩游戏，之后用代码把视频帧提取出来作为我们的原始图片，在这个上面去标注
在这里插入图片描述

①【视频帧提取代码】

import os
import cv2
import sys
import time
#遍历指定目录下所有的视频，按照指定时间间隔截取视频帧
def save_frame(time_in_sec, file_path):
    # 打开视频文件
    cap = cv2.VideoCapture(file_path)
    # 获取视频的帧率
    fps = cap.get(cv2.CAP_PROP_FPS)
    # 获取视频的总帧数
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    duration = total_frames / fps
    num = 0
    while(num < duration):
        num = num + time_in_sec
        # 计算指定时间对应的帧数
        frame_number = int(num * fps)

        # 设置视频的当前帧
        cap.set(cv2.CAP_PROP_POS_FRAMES, frame_number)

        # 读取当前帧
        ret, frame = cap.read()
        if ret:
            timestamp = int(time.time())  # 获取当前时间戳
            save_path = f"image\\frame_{frame_number}_{timestamp}.jpg"
            # 保存当前帧为图片
            cv2.imwrite(save_path, frame)
            print("保存成功：" + save_path)
        else:
            print("读取视频帧失败")

    # 关闭视频文件
    cap.release()

def traverse_directory(directory):
    for root, dirs, files in os.walk(directory):
        for file in files:
            video_path = os.path.join(root, file)
            print(video_path)
            save_frame(2, video_path)
if __name__ == '__main__':
    # 遍历当前目录，这个换成自己的
    traverse_directory(r'D:\YOLOV8\ultralytics-main\Self_Code\视频逐帧转为图片\video')

    print("运行成功")

代码的同级文件夹下要新建一个image文件夹，用来存放图片的，我没写判断语句，没有的话会报错

②【图片标注】

有了图片我们就可以开始标注了，先激活虚拟环境，在虚拟环境中执行以下代码打开标注软件

labelimg

在这里插入图片描述
软件打开之后是这样的

在这里插入图片描述
在软件左侧选择你需要打标签的文件夹，记得文件格式选择yolo格式，注意看图片，都圈出来了，之后就可以尽情的标注了，标注好了一张图片就保存一张，这一步比较费眼睛

③【切分数据集】

标注好的数据集需要切分为训练、测试、验证数据集，执行以下代码进行一键切分，代码中需要修改原数据集存放位置和保存位置，另外就是原图片得放在一个images文件夹里面，不然会报错

切分数据集代码：

import os
import random
import shutil

# 原数据集目录
root_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\视频逐帧转为图片'
# 划分比例
train_ratio = 0.8
valid_ratio = 0.1
test_ratio = 0.1

# 设置随机种子
random.seed(42)

# 拆分后数据集目录
split_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\self_img'
os.makedirs(os.path.join(split_dir, 'train/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'train/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/labels'), exist_ok=True)

# 获取图片文件列表
image_files = os.listdir(os.path.join(root_dir, 'images'))
image_files = [file for file in image_files if file[-3:] != 'txt']

# 随机打乱文件列表
# combined_files = list(zip(image_files, label_files))
combined_files = list(image_files)
random.shuffle(combined_files)
# image_files_shuffled, label_files_shuffled = zip(*combined_files)
image_files_shuffled = combined_files
# 根据比例计算划分的边界索引
train_bound = int(train_ratio * len(image_files_shuffled))
valid_bound = int((train_ratio + valid_ratio) * len(image_files_shuffled))

# 将图片和标签文件移动到相应的目录

for i, image_file in enumerate(image_files_shuffled):
    label_file = f"{image_file.split('.')[0]}.txt"
    # 复制文件划分数据集，可以将图片和标签放在同一个文件夹下
    if i < train_bound:

        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'train/images', image_file))
        shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'train/labels', label_file))
    elif i < valid_bound:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'valid/images', image_file))
        shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'valid/labels', label_file))
    else:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'test/images', image_file))
        shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'test/labels', label_file))

print('执行完成')

切分好的文件夹层级是这样的

在这里插入图片描述图片
在这里插入图片描述
标签

在这里插入图片描述

三、训练文件配置

新建一个yaml配置文件，放在训练代码的同级文件夹下，我这里随便取个名字叫cat.yaml,修改里面的文件存放地址，改成你自己的文件地址，names那里你有几个类就写几个类，往下加或者减，按照格式来就行

新建配置文件代码：

# 和平精英
train: D:\YOLOV8\ultralytics-main\Self_Code\self_img\train
val: D:\YOLOV8\ultralytics-main\Self_Code\self_img\valid
test: D:\YOLOV8\ultralytics-main\Self_Code\self_img\test

# Classes
names:
  0: enemy
  1: self
  2: team
  3: jilifu

另外还需要去修改你预训练模型的配置文件，这个文件是你在github那里下载下来的，图片里圈的很详细怎么找，我用的是yolov，就要去D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8文件夹修改yolov8.yaml文件夹，主要是改nc，你有几个类别就改成几我复制了一份文件，改的复制文件的内容，这样下次还能找着源文件

在这里插入图片描述
好，准备工作结束，即将开始训练

四、开始训练

训练有两种方式，一种是命令行训练，一种是代码训练，我个人更倾向代码训练，这样方便我找训练好的权重文件，这里两种方式都给出了

方法一：命令行训练

yolo task=detect mode=train model=yolov8n.yaml data=cat.yaml epochs=300 batch=1

以上参数解释如下：

  • task：选择任务类型，可选[‘detect’, ‘segment’, ‘classify’, ‘init’]

  • mode: 选择是训练、验证还是预测的任务蕾西 可选[‘train’, ‘val’, ‘predict’]

  • model:
    选择yolov8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml

  • data: 选择生成的数据集配置文件

  • epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。

  • batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点

方法二：代码训练

from ultralytics import YOLO

if __name__ == '__main__':
 
model = YOLO(r'D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8\yolov8_test.yaml')


model.train(model=r'D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt',data=r'D:\YOLOV8\ultralytics-main\Self_Code\cat.yaml', epochs=300 , imgsz=640, batch=1, workers=0,
            pretrained=False, save_dir=r"D:\YOLOV8\ultralytics-main\Self_Code")

是不是很简单

训练开始了

在这里插入图片描述
静静等待训练结束，看看损失函数

在这里插入图片描述
在这里插入图片描述

因为我这训练集只有58张图片，训练了300个epoch，明显是不够的，检测自己是大概率能检测出来，敌人和队友目前检测效果不是很好

五、实时检测

代码：

import cv2
from ultralytics import YOLO

# 加载YOLOv8模型
model = YOLO(r'D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train5\weights\best.pt')

# 打开视频文件
video_path = r"C:\Users\user2580185125\Desktop\5月11日.mp4"
cap = cv2.VideoCapture(video_path)

# 循环遍历视频帧
while cap.isOpened():
    # 从视频读取一帧
    success, frame = cap.read()

    if success:
        # 在帧上运行YOLOv8追踪，持续追踪帧间的物体
        results = model.track(frame, persist=True)
        # 输出每次追踪推理结果的boxes，这些参数实际上是和模型直接predict类似的。
        print(results[0].boxes)
        # 在帧上展示结果
        annotated_frame = results[0].plot()
        # 展示带注释的帧
        cv2.imshow("YOLOv8 Tracking", annotated_frame)

        # 如果按下'q'则退出循环
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # 如果视频结束则退出循环
        break

# 释放视频捕获对象并关闭显示窗口
cap.release()
cv2.destroyAllWindows()

接下来把我们训练好的模型拿来跑一跑实时检测，发现欠缺的地方还蛮多的，如果扩充训练集和epoch，模型效果应该会更好

六、模型推理，pt转换成onnx模型

ONNX的主要优势包括：

  • 框架无关性：ONNX允许开发者在PyTorch、TensorFlow、Caffe2等多个流行框架之间自由转换模型。

  • 优化和加速：ONNX提供了一套优化工具，可以减少模型的大小并提高执行效率，特别是在不同硬件上部署时。

  • 广泛的支持：从云计算服务到边缘设备，ONNX都能提供良好的支持，使得模型部署变得更加灵活和广泛。

推理代码：



from ultralytics import YOLO
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train\weights\best.pt")
success = model.export(format="onnx", simplify=True)  # export the model to onnx format
assert success
print("转换成功")

七、源码

源码全部公开，感兴趣的朋友可以继续开发

在这里插入图片描述

源码链接：

百度云盘链接

链接：https://pan.baidu.com/s/1Ci5Fpx4iBXRphQhhyR4Sig 
提取码：dp18
2580185125路西
关注
  • 9
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
YoloV8实战：YoloV8-World应用实战案例
m0_47867638的博客
03-13 1970
可以创建一个YOLO-World 模型版本，专门用于您的特定用例。此过程将您的自定义类定义直接嵌入模型文件，使模型无需进一步调整即可与您指定的类一起使用。保存后，custom_yolov8s.pt 模型的行为与其他预训练的YOLOv8 模型无异，但有一个关键区别：它现在经过优化，只能检测您定义的类别。针对您的特定应用场景，这种定制可以大大提高检测性能和效率。效率：通过关注相关对象、减少计算开销和加快推理速度，简化检测过程。灵活性：可使模型轻松适应新的或特殊的检测任务，而无需进行大量的再培训或数据收集。
yolov8n-seg.pt模型文件
03-27
yolov8n-seg.pt模型文件
模型部署系列：10x速度提升，Yolov8检测模型稀疏化——CPU上超500FPS
AIGC | 智能洞察，创造未来
12-14 1243
专注于让 YOLOv8 等深度学习模型在 CPU 上快速运行，DeepSparse在 FP32 下的速度快 4 倍，在 INT8 下的速度快 10 倍。
FPS游戏实战数据集|yolov8训练模型导出|C/C++项目|驱动鼠标模拟人工|加密狗USB硬件虚拟化
陈子青的博客
03-24 3538
本文介绍了如何使用YOLO识别游戏人物。通过收集数据集、标注数据、训练模型和部署模型等步骤，可以快速准确地识别游戏场景中的人物。在实际应用中，需要根据游戏场景和需求进行调整和优化，以达到最佳的识别效果。
yolov3检测和平精英视频中人物及物体【附源码+数据】
小样yx的博客
11-15 4503
本文分三个部分进行讲解一、实现效果与数据下载链接二、相应代码三、yolo原理 一、实现效果与数据下载链接 视频识别效果，链接如下： https://www.bilibili.com/video/BV1fa4y1p7eg 数据下载链接：https://pan.baidu.com/s/1nm72db7e9GbBR-vQ5bWNAg 提取码：cng5 –>解压后 二、相应代码 video_detection.py import numpy as np import cv2 import os impor
【YOLOv8】实战一：手把手教你使用YOLOv8实现实时目标检测
热门推荐
virobotics的博客
04-15 9万+
YOLOv8导出为onnx模型，YOLOv8在LabVIEW中的部署，实现实时目标检测！在CPU和GPU上实现加速
YOLOv8-pose关键点检测自制数据集
WYKB_Mr_Q的博客
08-01 2万+
YOLOv8 已经出来一段时间了，它同时拥有目标检测，实例分割，关键点检测，跟踪和分类的功能，并且效果达到了SOTA，使得 YOLOv8 得到了很多科研人员的青睐。这里我们主要使用了 github 公布的。接下来，我们主要记录一下，如何自己制作关键点检测数据集，并跑通YOLOv8项目。YOLOv8项目中的关键点检测，也就是分支，主要是标注了人体的骨骼部分，来精炼表示人体运动，如下图所示。
YOLOV7改进--增加小目标检测层
qq_43114108的博客
07-21 2万+
YOLOV7改进--增加小目标检测层
Yolov8目标检测-添加模块改进-实验记录
qq_33596242的博客
09-13 4035
以下是我实验的一些记录：持续更新中~
yolov8n-cls.pt模型文件
03-27
yolov8n-cls.pt模型文件
yolov8n-pose.pt模型文件
03-27
yolov8n-pose.pt模型文件
yolov8n-pose.pt 用 yolov8n-pose.onnx下载
03-29
yolov8n-pose.pt 用 yolov8n-pose.onnx下载
yolov8m-seg.pt模型文件
04-28
yolov8m-seg.pt模型文件
YOLOv6-3.0-目标检测论文解读
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
02-21 2623
YOLOv6-v3.0，YOLOv6进一步改进，在实时目标检测领域达到SOTA；
【YOLOv5进阶】——模型结构与模型原理&YOLOv5源码解析
weixin_51658186的博客
06-03 1079
网络的具体结构在common.py、yolo.py、yolov5s.yaml这三个文件，修改网络结构是从这三个文件入手！
YOLOv5改进（六）--引入YOLOv8中C2F模块
qq_44231797的博客
06-02 1074
YOLOv5；YOLOv8；C2F；C3
【YOLOv5/v7改进系列】引入Slimneck-GSConv
最新发布
2401_84870184的博客
06-04 1022
文章还提出了一种设计范式“slim-neck”，即仅在模型的“neck”部分使用GSConv，而非整个模型。：特别是在“细颈”(slim-neck)设计范式中，GSConv被应用于模型的中间连接部分，即neck，这时特征图已经过初步处理，变得较为精简，且宽度和高度减小到最小，而通道数达到最大。综上所述，GSConv通过创新的结构设计为轻量级目标检测模型提供了新的解决方案，尤其在自动驾驶领域，它能够帮助模型在保持高效运行的同时，提高对小目标的检测精度，但其应用也需考虑模型复杂度增加和实现上的局限性。
yolov8n-seg.pt下载
09-13
yolov8n-seg.pt是一种特定的神经网络模型文件，用于物体检测和语义分割任务。下载yolov8n-seg.pt可以通过以下步骤来完成。 首先，我们需要在网络上搜索yolov8n-seg.pt的下载链接。可以通过在搜索引擎中输入关键词"yolov8n-seg.pt下载"来找到相关的网页或网站。 一旦找到可靠的下载来源，我们需要点击相应的链接进入下载页面。在下载页面上，一般会给出相关的信息，如文件名称、版本号、文件大小等。 在确保下载页面的安全性和可靠性之后，我们可以选择下载方法。通常，下载页面会提供多种下载选项，如直接点击下载链接、通过迅雷等下载工具进行下载，或者通过命令行工具如wget或curl进行下载。 选择适合自己的下载方法后，我们可以开始下载yolov8n-seg.pt文件。下载过程可能需要一些时间，具体的下载速度取决于网络环境和文件大小。 下载完成后，我们可以在指定的下载文件夹中找到yolov8n-seg.pt文件。可以使用文件管理器或者命令行工具进入下载文件夹，然后找到刚刚下载的文件。 最后，我们可以将yolov8n-seg.pt文件用于物体检测和语义分割任务。具体如何使用该文件需要参考相关的文档或代码示例，以了解如何加载和使用该模型文件。 总之，下载yolov8n-seg.pt文件需要找到可靠的下载来源，选择适合的下载方法，并按照下载页面的指示完成下载。

“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 3
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