无人售货机、无人零售店场景下，计算机视觉算法：YOLOv8实现方案

目录

前言

实验环境

一、数据集下载

二、使用步骤

1.安装依赖库

2.训练模型

3.测试模型

总结

引用文章

---

前言

随着人工智能技术的快速发展，催生了无人售货机、无人零售店等新型零售模式，利用计算机视觉算法和RFID电子标签，完成扫码开门、商品识别、自助结账等一系列流程，大大简化了购物流程，提高了顾客线下购物体验；文章中我们重点研究计算机视觉部分，利用公开数据集+开源算法YOLOv8，训练商品识别模型，模拟线下无人零售场景。

---

实验环境

仅供参考：矩池云GPU服务器（NVIDIA GeForce RTX 2080 Ti）

Python 3.10，Pytorch 2.1.1

省钱小技巧：先将数据集上传至矩池云网盘，再租用矩池云服务器，服务器内可直接读取网盘数据，省去数据集上传服务器时间。

---

一、数据集下载

文章中使用的数据集为kaggle公开数据集，原版是coco格式，我自己处理了一下，转成yolo格式并修复了部分损坏的图片，已上传至百度网盘（25.88G大小）请先下载：百度网盘链接点击下载

train训练集示例：

val验证集示例：

---

二、使用步骤

1.安装依赖库

安装yolov8（用自己电脑的建议先创建虚拟环境）

pip install ultralytics

2.训练模型

下载的数据集名为coco8.zip，里面包含yolov8预训练模型，运行即可：

unzip /mnt/coco8.zip -d /home # 解压缩(仅供参考)
cd /home/coco8/models # 进入项目目录(仅供参考)
python train.py # 训练

train.py文件预览：

# 参数详细注释：https://docs.ultralytics.com/modes/train/#key-features-of-train-mode
from ultralytics import YOLO

# Load a model
model = YOLO('yolov8s.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(
	data='../datasets/coco8.yaml', # 数据集配置文件
	epochs=30, # 训练次数
	imgsz=640, # 图像大小
	device=0, # 使用GPU（如果用CPU训练 device=cpu） 
	batch=-1, # 批次（-1=根据GPU自动调整）
	lr0=0.01, # 初始学习率
	lrf=0.0001, # 结束学习率
	cache=True, # 内存训练（内存不高的设为False用磁盘训练）

	# 数据增强
	mixup=0.5, # 合成图片
	copy_paste=0.5, # 混合图片
	bgr=0.5, # 通道颜色
	flipud=0.5, # 上下反转
	perspective=0.0005, # 随机透视变换
)

训练过程预览：

3.测试模型

mode为训练后模型路径，source为测试图片路径：

yolo predict model=runs/detect/train/weights/best.pt source='../datasets/images/val/20180930-16-45-00-2711.jpg'

测试图片预览：

---

总结

通过测试可以看出，模型已经可以识别大部分商品，虽然只有30次epoch训练，但耗时仍旧高达20个小时，调试成本比较昂贵，并且单纯提高epoch已很难提升精度，需要尝试调参、数据增强；想深度研究的可以看看Ray Tune自动调节超参。

---

引用文章

• Ultralytics YOLOv8 主页
• Ultralytics YOLOv8 Ray Tune 自动调节超参
• 信也科技杯图像算法大赛-智能零售柜商品识别
• kaggle 零售产品结账数据集
• 哈工大(深圳)新零售环境标准数据集
• SKU级别的商品图像数据集
• FOF: 端到端的细粒度目标检测和特征提取网络