2 YOLO8的使用

1 介绍 

        YOLOv8是YOLO (You Only Look Once) 目标检测模型系列的最新版本，由Ultralytics公司开发和维护。YOLOv8是在先前版本的基础上进行的重大更新，不仅提升了性能，还增加了更多的功能，它不仅能够进行目标检测，还能完成实例分割、姿态估计、跟踪和图像分类等多种计算机视觉任务。由于其高效性和多功能性，YOLOv8在多个行业和领域都有广泛的应用

YOLOv8的主要特点

1. 无锚框（Anchor-Free）：

   • YOLOv8抛弃了之前版本中使用的锚框（anchor boxes），这有助于简化模型，并可能提高检测速度和准确性。

2. 统一框架：

   • 提供一个统一的框架来执行目标检测、实例分割等多种任务，这意味着用户可以使用相同的代码库进行不同的计算机视觉任务。

3. 新的骨干网络：

   • YOLOv8采用了新的网络结构，这有助于提高模型的检测精度和速度。

4. 多尺度特征融合：

   • 通过融合不同层次的特征来提高模型对不同大小物体的检测能力。

5. 改进的特征提取：

   • 包括更复杂的网络架构和更优化的训练流程，从而增强特征提取能力。

6. 新的激活函数和Attention机制：

   • 通过采用新的激活函数和注意力机制来改善模型的表现力。

7. 灵活的训练和部署：

   • 可以在大型数据集上进行训练，并且能够在各种硬件平台上运行，包括CPU和GPU。

8. 支持多种任务：

   • YOLOv8不仅可以进行目标检测，还可以进行实例分割、图像分类、姿态识别和跟踪等任务。

以下是一些主要的应用场景：

目标检测

• 安防监控：实时监测并识别出异常行为或入侵者。
• 交通监控：检测道路上的车辆、行人以及其他障碍物，用于智能交通系统的管理。
• 零售分析：监控顾客流量，分析顾客行为，提高店铺布局效率。
• 自动化生产线：检测产品缺陷，确保产品质量控制。
• 无人机应用：用于无人机上的目标检测，如农田监测、野生动物保护等。

实例分割

• 医疗图像分析：精确地分割出医学图像中的特定组织或器官，辅助医生进行诊断。
• 农业领域：作物健康状况评估，病虫害监测。
• 工业检测：精细地检测零件表面的瑕疵或损伤。

图像分类

• 自动图像排序：根据图像内容进行分类和组织。
• 内容发现与推荐系统：基于图像内容推荐相关的产品或服务。

姿态估计

• 体育分析：分析运动员的动作和姿势，帮助教练和运动员提高训练效果。
• 人机交互：识别人体姿态，实现手势控制等交互方式。
• 动作识别：用于视频游戏、虚拟现实和增强现实等应用中的用户动作识别。

跟踪

• 自动驾驶：追踪道路上的动态对象，如行人、车辆等。
• 视频监控：持续跟踪特定个体或物体。

其他应用场景

• 机器人导航：为机器人提供环境感知能力，帮助它们避开障碍物。
• 仓库管理：自动识别和定位货物，提高物流效率。
• 质量控制：在制造过程中快速识别不合格产品。
• 无人机巡检：用于电力线路巡检、建筑物检查等。

 2 目标检测简单的案例

数据集的准备：

2.1 准备自己的数据

        基于labelme进行制造自己的训练数据。本文主要使用的数据集合来源于此。参考上一篇文章；

https://github.com/TommyZihao/Train_Custom_Dataset/tree/main/%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B/%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E6%95%B0%E6%8D%AE%E9%9B%86https://github.com/TommyZihao/Train_Custom_Dataset/tree/main/%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B/%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E6%95%B0%E6%8D%AE%E9%9B%86

2.2 使用现有的

在很多网站都存在。

2.3 下载模型： YOLOV8训练模型下载_yolov8下载-CSDN博客

Models Supported by Ultralytics - Ultralytics YOLO Docs

按照需要下载自己的即可： 

2.3 配置yaml

看一下文件结构：

data.yaml: 保存训练数据的路径；

train: bvn/images/train # 训练数据
val: bvn/images/val # 验证数据
# test: # test fiel
nc: 4 # 几个类别
names: ['Angle','Ruler','Triangle_30','Triangle_45'] # 类别的名称

yolov8n.pt: 模型文件；

datasets: 必须要有，保存训练的数据集合；

datasets:

注意： images\ labels 文件名称要一一对应起来。

 

2.4 训练

command 命令搞定：

yolo task=detect mode='train' model=./yolov8n.pt data=./data.yaml epochs=5 batch=4

每个epoch的产出：

最终的结果：多了一个 run文件；

代码版本

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
#model = YOLO("path/to/best.pt")  # load a custom model
model.train(data='./data.yaml',workers=1,epochs=4,batch=4)