基于YOLO v8的目标检测的基本操作

1.实验数据

1.1 数据来源

本次实验的数据是由拍摄的众源数据集，是对学校内的道路场景，对于校内的 ”行人 ”，，”汽车 ”，”电动车 ”进行检测的数据集。

1.2 数据处理

需要对于数据进行标注，测试和研究等一系列操作，本步骤中将全部的整理的数据影像进行了分类总结，最后选取了 276张影像数据，276个 label标签，并且按照 8：1：1比例划分数据集，可以得到 222个训练数据， 26个验证数据， 28个测试数据，最后使用多个视频文件进行推理分析。

2 实验内容

2.1 实验步骤设计

2.2 实验操作

2.2.1 影像标注

使用图像标注工具labelimg ，可以快捷地对于图像中出现兴趣目标类别进行标注，定义输出格式为 YOLO 或者 PascalVOC 格式 

2.2.2 图像训练

打开Anaconda Prompt ，然后切换环境为 [自己所设置的文件夹] 并且 cd 到[自己的文件夹]这里以sicisp 2023为例 ，文件夹下使用如下命令开始训练数据集：

Yolo detect train data=sicisp2023/data/data.yaml
model=sicisp2023/ultralytics/ultralytics/weights/yolov8s.pt  
# 这里的ultralytics/weights使用的是预训练权重
epochs=300
imgsz=640 batch= 2 workers=4

出现以下结果即表示训练正确

模型训练完毕后，在runs detect 文件夹下会生成一个对应本次训练的 train 文件夹， 其中包含本次训练的分析结果和最佳权重文件。

2.2.3 使用视频文件推理

利用指令进行视频文件的推理

yolo detect predict model= E:E:/Yolo /ultralytics/runs/detect/train/weights/best.pt
data= E:/sicisp2023 /data/data.yaml source= E:/sicisp2023 /data/test data/testdata.mp4 show

视频推理结果如图