实现猫狗识别

yolov8实现猫狗识别

前言

参加一个实训项目，主要是利用yolov8实现猫狗识别。
利用的技术有：labeling yolov8等
主要的环境搭建：anaconda环境(主要是利用conda的虚拟环境来实现技术) pycharm环境(部署yolov8以及训练)
项目的关键在于环境的部署以及训练集的标记与yolov8的训练，最终实现猫狗识别

labelimg实现数据标注

创建conda虚拟环境打开labelimg软件进行数据标注![请添加图片描述](https://i-blog.csdnimg.cn/direct/cd6a995c31fc4840b8af53004f446a11.png
主要两个数据集 cat 与 dog
我们在主要的数据标注网站上下载猫狗的数据集(kaggle网站需要注册才能下载)进行手动标注
产生 数据集与标注集 如下


标注集与数据集一一对应

yolov8源码的部署与训练自己的训练集

在使用yolov8之前，需要下载CUDA来开启GPU加速，在下载之前要查看自己显卡适应的版本

安装完之后，还需要安装pytorch-GPU，需要在conda的虚拟环境中安装(用pip命令安装)，防止环境依赖之间的错误，
安装完之后就要开始部署项目了

从github上下载源码，然后在pycharm中打开，然后把与训练的权重放到代码的根目的下，如下：

然后就把准备好的训练集放到指定位置，准备训练

将我们的imgae与label替换，文件夹下分别是cat 与 dog(就是放在datasets这个文件夹下，这里我没替换)，然后创建yaml文件，文件内容如下

#Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../../person_42_yolo_format
train: # train images (relative to 'path')  16551 images
  - images/train
val: # val images (relative to 'path')  4952 images
  - images/val
test: # test images (optional)
  - images/test

Classes
['Chave', 'DISJUNTOR', 'TP', 'Pararraio', 'TC']
names:
  0: cat
  1: dog

names代表训练集有几种类别，我们这里只有cat 与 dog 两种

train,val,test的比例不同，但放的图片一样，训练集里的图最多，按数量分配

├─images    # 图像文件夹
│  ├─train  # 训练集图像
│  ├─val    # 验证集图像
│  └─test   # 测试集图像
└─labels    # 标签文件夹，标签格式为yolo的txt格式
    ├─train # 训练集标签
    ├─val   # 验证集标签
    └─test  # 测试集标签

设置完之后可以执行训练脚本如下

import time
from ultralytics import YOLO

yolov8n模型训练：训练模型的数据为'A_my_data.yaml'，轮数为100，图片大小为640，设备为本地的GPU显卡，关闭多线程的加载，图像加载的批次大小为4，开启图片缓存
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
results = model.train(data='A_my_data.yaml', epochs=100, imgsz=640, device=[0,], workers=0, batch=4, cache=True)  # 开始训练
time.sleep(10) # 睡眠10s，主要是用于服务器多次训练的过程中使用

产生结果如下：

会在runs目录下生成一系列的结果

训练完之后进行模型的测试

测试脚本:

from ultralytics import YOLO

# 加载自己训练好的模型，填写相对于这个脚本的相对路径或者填写绝对路径均可
model = YOLO("runs/detect/yolov8n/weights/best.pt")

# 开始进行验证，验证的数据集为'A_my_data.yaml'，图像大小为640，批次大小为4，置信度分数为0.25，交并比的阈值为0.6，设备为0，关闭多线程（windows下使用多线程加载数据容易出现问题）
validation_results = model.val(data='A_my_data.yaml', imgsz=640, batch=4, conf=0.25, iou=0.6, device="0", workers=0)

最后直接使用下面代码实现猫狗识别

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(["images/resources/demo.jpg", ])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="images/resources/result.jpg")  # save to disk

最后的结果如下

完成猫狗识别