YOLOv8 「①自动驾驶」详细说明及代码示例-CSDN博客

本文链接：https://blog.csdn.net/u010117029/article/details/148158666

YOLOv8 是 Ultralytics 发布的最新版本，相比 YOLOv5，它在精度和速度上都有显著提升，同时支持目标检测、实例分割和姿态估计等多任务。以下是 YOLOv8 在自动驾驶中的详细说明及代码示例。

1. YOLOv8 在自动驾驶中的应用

YOLOv8 可以用于以下自动驾驶任务：

目标检测：检测车辆、行人、交通标志等。
障碍物检测：检测道路上的障碍物。
车道线检测：结合其他算法，辅助检测车道线。
实例分割：对目标进行像素级分割。

2. 环境准备

在开始之前，确保你的环境满足以下要求：

Python 3.8 或更高版本。
PyTorch 1.7 或更高版本。
CUDA（如果使用 GPU 加速）。

安装依赖

bash

pip install ultralytics opencv-python matplotlib

3. 训练 YOLOv8 模型

步骤

准备数据集：
- 使用自动驾驶数据集（如 KITTI、BDD100K 或 COCO）。
- 数据集应包含图像和对应的标注文件（YOLO 格式）。
下载 YOLOv8 代码：
bash
```
pip install ultralytics
```
配置数据集：
- 在 data 目录下创建自定义数据集配置文件（如 autonomous.yaml）。
- 示例 autonomous.yaml：
  yaml
```
train: path/to/train/images
val: path/to/val/images
nc: 3  # 类别数量
names: ['car', 'pedestrian', 'traffic_sign']
```

训练模型：

python

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')  # 使用 YOLOv8n 作为基础模型

# 训练模型
results = model.train(data='autonomous.yaml', epochs=50, imgsz=640, batch=16)

data：数据集配置文件。
epochs：训练轮数。
imgsz：输入图像大小。
batch：批量大小。

4. 使用 YOLOv8 进行推理

训练完成后，可以使用训练好的模型进行目标检测。

代码示例

python

from ultralytics import YOLO
from PIL import Image

# 加载训练好的模型
model = YOLO('runs/detect/train/weights/best.pt')

# 加载图像
image_path = 'path/to/autonomous_driving_image.jpg'
image = Image.open(image_path)

# 进行推理
results = model(image)

# 显示结果
results[0].show()

# 保存结果
results[0].save('results.jpg')

# 打印检测结果
print(results[0].boxes)

5. 实时检测

YOLOv8 支持实时检测，可以用于自动驾驶的实时视频流处理。

代码示例

python

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/train/weights/best.pt')

# 打开摄像头或视频文件
cap = cv2.VideoCapture('path/to/video.mp4')  # 或使用 0 打开摄像头

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 进行推理
    results = model(frame)

    # 显示结果
    annotated_frame = results[0].plot()
    cv2.imshow('YOLOv8', annotated_frame)

    # 按下 'q' 退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()