python用YOLOv8进行目标检测

用yolov8的模型进行目标检测

  1. 先上效果图
    在这里插入图片描述

  2. 图片资源
    请添加图片描述

  3. 模型下载地址
    https://github.com/ultralytics/ultralytics
    在这里插入图片描述

  4. 代码

import matplotlib.pyplot as plt
from ultralytics import YOLO
from PIL import Image
import cv2

model = YOLO('../ultralytics/yolov8n.pt')

# print(model.names)

img_path = '../ultralytics/ultralytics/assets/bus.jpg'

img = cv2.imread(img_path)
results = model(img_path)

preds = results[0].boxes.xyxy.cpu().numpy().astype('uint32')

colors = plt.cm.get_cmap('hsv', len(model.model.names))

for index, pred in enumerate(preds):
    i = int(results[0].boxes.cls[index].item())
    color = colors(i)
    color = (color[0] * 200, color[1] * 255, color[2] * 200)
    img = cv2.rectangle(img, (int(pred[0]), int(pred[1])), (int(pred[2]), int(pred[3])), color, 2)
    img = cv2.putText(img, results[0].names[i], (int(pred[0]), int(pred[1])), cv2.FONT_HERSHEY_SIMPLEX, 1, color, 2)

cv2.imshow("1", img)
cv2.waitKey()
cv2.destroyAllWindows()

'''
print('..........')
print(len(results[0].names))                        # 所有的分类名
print(len(results[0].boxes.cls))                    # 结果分类
print(results[0].boxes.conf)                        # 置信度
print(results[0].boxes.cls)                         # 分类类别
print(type(int(results[0].boxes.cls[0].item())))    # 类别索引
print(results[0].names[0])                          # 分类的名称(可以根据类别索引进行获取)
print(results[0].boxes.xyxy)                        # 左上角和右下角坐标
'''
  • 14
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
基于YOLOv8的细胞检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率:0.98 类别:RBC、WBC、platelets 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码,里面涵盖基于yolov8分类目标检测额、姿态估计、图像分割四部分代码,我们使用的是detect部分,也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来),命令窗口执行:conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后,命令窗口执行:source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包,命令窗口执行:pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下,datasets即为我们需要准备好的数据集,训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件,该文件为本人训练自行车检测模型时创建,训练其他模型,可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行,修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡,修改239行,如我有四张显卡,即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型,训练完毕后会在runs/detect/文件夹下生成train*文件夹,里面包含模型和评估指标等 4、推理测试 训练好模型,打开predict.py,修改87行,model = cfg.model or 'yolov8n.pt',把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下),待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹, 运行predict.py即可,检测结果会在runs/detect/train文件夹下生成。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值