目录
1. yolov8实战第一天——yolov8部署并训练自己的数据集(保姆式教程)
2. yolov8实战第二天——yolov8训练过程、结果分析(保姆式解读)
3. yolov8实战第三天——yolov8TensorRT部署(python推理)(保姆教学)
4.yolov8实战第四天——yolov8图像分类 && ResNet50图像分类(保姆式教程)
5. yolov8实战第五天——yolov8+ffmpeg实时视频流检测并进行实时推流——(推流,保姆教学)
6. yolov8实战第六天——yolov8 TensorRT C++ 部署——(踩坑,平坑,保姆教程)
7.yolov8实战第七天——pyqt5-yolov8实现车牌识别系统(参考论文(约7000字)+环境配置+完整部署代码+代码使用说明+训练好的模型)
8.yolov8实战第八天——pyqt5-yolov8实现打电话、玩手机识别系统(参考论文(8700+字)+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集)
9.yolov8实战第九天——pyqt5-yolov8实现道路病害识别系统(参考论文(6000+字)+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集)
10.yolov8实战第十天——pyqt5-yolov8实现数据结构化、yolov8目标跟踪、过线检测计数系统(参考论文(8300+字)+环境配置+完整部署代码+代码使用说明)
1. yolov8实战第一天——yolov8部署并训练自己的数据集(保姆式教程)
本文详细介绍了如何部署和训练YOLOv8模型,包括显卡驱动检查、代码下载、CUDA和cudnn安装、Anaconda环境配置、PyTorch安装、库的安装、推理检测以及数据集的准备、训练和测试。YOLOv8在精度、速度和任务支持上都有所提升,并且易于训练和部署。
yolov8实战第一天——yolov8部署并训练自己的数据集(保姆式教程)-CSDN博客
2. yolov8实战第二天——yolov8训练过程、结果分析(保姆式解读)
本文详细解析了yolov8模型训练的过程和结果,包括混淆矩阵、归一化混淆矩阵、F1置信度曲线、精度置信曲线、PR曲线、召回置信度曲线等关键指标。分析表明,模型在0.8以上的置信度阈值下表现出较高的精确度和F1分数,但召回率随着置信度增加而下降,存在漏报现象。训练过程中的损失函数和性能指标也进行了深入探讨。
yolov8实战第二天——yolov8训练过程、结果分析(保姆式解读)_yolov8跑出来的指标怎么看-CSDN博客
3. yolov8实战第三天——yolov8TensorRT部署(python推理)(保姆教学)
本文是YOLOv8实战系列的第三篇,主要讲解如何使用TensorRT对训练好的yolov8模型进行优化部署。首先介绍了TensorRT的作用和适用场景,然后详细阐述了TensorRT的安装步骤,接着将pt模型转换为onnx格式,并进行了模型验证。最后,通过Python脚本展示了TensorRT推理过程。
yolov8实战第三天——yolov8TensorRT部署(python推理)(保姆教学)_yolov8 tensorrt python-CSDN博客
4.yolov8实战第四天——yolov8图像分类 && ResNet50图像分类(保姆式教程)
本文介绍了使用YOLOv8和ResNet50进行图像分类的实战过程,包括模型选型、数据集准备和训练。对于YOLOv8,发现 yolov8n-cls 效果不佳,推荐使用 yolov8m-cls。ResNet50模型结构详细解析,共有49个卷积层和1个全连接层。训练过程简单,只需运行train.py。
yolov8实战第四天——yolov8图像分类 && ResNet50图像分类(保姆式教程)_yolov8分类-CSDN博客
5. yolov8实战第五天——yolov8+ffmpeg实时视频流检测并进行实时推流——(推流,保姆教学)
本文介绍如何结合YOLOv8和FFmpeg进行实时视频流目标检测,并通过FFmpeg推流至服务器。首先下载FFmpeg,然后可选搭建EasyDarwin或Nginx流媒体服务器。接着,利用YOLOv8模型读取视频帧进行检测,处理后推送到rtsp流。最后,演示了使用nginx服务器和VLC进行推流和拉流的操作。
yolov8实战第五天——yolov8+ffmpeg实时视频流检测并进行实时推流——(推流,保姆教学)_yolo 视频流输入-CSDN博客
6. yolov8实战第六天——yolov8 TensorRT C++ 部署——(踩坑,平坑,保姆教程)
本文详细介绍了如何使用C++结合TensorRT部署YOLOv8模型,包括环境配置、编译过程中的常见问题及解决方法,强调了TensorRT在性能、资源消耗、跨平台兼容性等方面的优势。
yolov8实战第六天——yolov8 TensorRT C++ 部署——(踩坑,平坑,保姆教程)-CSDN博客
7.yolov8实战第七天——pyqt5-yolov8实现车牌识别系统(参考论文(约7000字)+环境配置+完整部署代码+代码使用说明+训练好的模型)
本文介绍了一个基于YOLOv8和PyQt5的车牌识别系统,实现了图片、视频及视频流的车牌检测和颜色识别。系统采用模块化设计,包括前端用户界面、车牌检测和颜色识别模块。通过深度学习模型YOLOv8进行实时车牌检测和颜色分类,使用PyQt5构建用户友好的图形界面。系统还具备批量图片检测功能,适用于智能交通、停车管理和监控等领域。
yolov8实战第七天——pyqt5-yolov8实现车牌识别系统(参考论文(约7000字)+环境配置+完整部署代码+代码使用说明+训练好的模型)_使用yolov8的论文-CSDN博客
8.yolov8实战第八天——pyqt5-yolov8实现打电话、玩手机识别系统(参考论文(8700+字)+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集)
本文介绍了一个基于PyQt5和YOLOv8的打电话、玩手机识别系统,结合手机检测和人体姿态识别,实现对图片、视频和视频流的实时检测。系统采用模块化设计,包括实时视频分析、行为识别、事件记录和GUI功能。通过环境配置、模型训练和优化,系统能在多种环境下准确识别打电话和玩手机行为,减少误报并提供直观的用户界面。
9.yolov8实战第九天——pyqt5-yolov8实现道路病害识别系统(参考论文(6000+字)+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集)
本研究开发了一套基于PyQt5和YOLOv8的道路病害检测系统,能自动检测图片、批量图片、视频和RTSP视频流中的病害。系统集成了图片预处理、模型加载、结果解析和显示等功能,提供友好的用户界面,提高了检测效率和准确性。未来将通过扩大训练数据集和引入更多AI功能进一步优化系统。
10.yolov8实战第十天——pyqt5-yolov8实现数据结构化、yolov8目标跟踪、过线检测计数系统(参考论文(8300+字)+环境配置+完整部署代码+代码使用说明)
本文介绍了一个基于PyQt5和YOLOv8的实时图像处理系统,该系统集成了目标检测、目标跟踪、过线检测计数等多项功能,旨在提高视频监控的自动化和智能化水平。