YOLOv8+SwanHub+作物检测：从可视化训练到Demo演示

cheoyeon

已于 2024-06-25 17:00:10 修改

阅读量1.1k

点赞数 33

文章标签：深度学习目标检测麦穗检测 yolov8 pytorch swanhub swanlab

于 2024-06-21 15:06:41 首次发布

本文链接：https://blog.csdn.net/weixin_44813538/article/details/139861146

版权

1. 项目介绍

本项目旨在利用先进的YOLOv8深度学习模型对麦穗进行高效、准确的检测。我们采用了GlobalWheat数据集，该数据集包含丰富的麦穗图像，为模型的训练提供了有力的数据支持。通过该实验，实现高准确率的麦穗识别，为农业生产提供智能化的监测手段。这一项目将有助于农民更准确地评估作物生长状况，优化种植策略，提高农业生产的效率和质量。

YOLOv8是目标检测领域的一款先进模型，它继承了YOLO系列的核心思想，即一次性对整个图像进行预测以实现快速目标检测。该模型在多个尺度上提供了不同大小的模型（N/S/M/L/X），以满足不同场景的需求。本实验采用YOLOv8n进行实验。

Swanhub是由极客工作室开发的一个开源模型协作分享社区。它为AI开发者提供了AI模型托管、训练记录、模型结果展示、API快速部署等功能。

YOLOv8模型：GitHub - YOLOv8

SwanHub：SwanHub - 创新的AI开源社区

SwanLab：SwanLab - 在线AI实验平台

项目团队：新疆大学大数据挖掘和智能计算实验室

2. 准备

2.1 安装python库

安装以下4个库

torch>=2.0.0 torchvision>=0.15.1 swanlab>=0.2.4 gradio>=3.50.2

安装命令：

pip install torch>=2.0.0 torchvision>=0.15.1 swanlab>=0.2.4 gradio>=3.50.2

2.2 下载数据集

案例(全球麦穗数据集GlobalWheat)：链接：https://pan.baidu.com/s/1HZB4na0q3u94CJyWVnRyZw

提取码：2g3n

GlobalWheat
--images
----train
------1.jpg
------2.jpg
----test
------1.jpg
------2.jpg
----vaildation
------1.jpg
------2.jpg
--labels
----train
------1.txt
------2.txt
----test
------1.txt
------2.txt
----vaildation
------1.txt
------2.txt

它们各自的作用与意义：

GlobalWheat文件夹：该文件夹用于存储图片文件夹images与标签文件夹labels
images文件夹：该文件夹用于保存训练、测试、验证图片文件夹。
labels文件夹：该文件夹用于保存训练、测试、验证标签文件夹。

2.3 下载YOLOv8模型

模型链接：https://github.com/ultralytics/ultralytics

解压后得到ultralytics-main文件夹，并安装ultralytics库，命令如下：

pip install ultralytics

2.4 创建文件目录

在ultralytics-main文件夹中创建app.py，main.py，将GlobalWheat文件夹导入，并在GlobalWheat文件夹中创建wheat.yaml

它们各自的作用分别是：

GlobalWheat：这个文件夹用于存储数据集
main.py：用于训练YOLOv8模型的脚本
app.py：运行Gradio Demo的脚本
wheat.yaml：保存数据集中训练、测试、验证集的绝对路径，以及类别。

3. 训练部分

3.1 模型训练

首先将yolov8.yaml文件导入模型，再进行模型训练。其中，data代表数据集路径，epoch代表训练次数，imgsz表示图片输入尺寸。

具体代码：

from ultralytics import YOLO

if __name__ == '__main__':
    # 模型训练
    model = YOLO("ultralytics/cfg/models/v8/yolov8.yaml")
    model.load()
    model.train(data="./GlobalWheat2020/wheat.yaml", epochs=50, imgsz=640)