Yolov8 使用 过程记录

于 2024-06-20 18:01:34 发布
阅读量892 收藏 21
点赞数 24
分类专栏： 目标检测 文章标签： YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45932490/article/details/139839505
版权

使用配置:Win11 +RTX4060

Conda环境

Yolov8 环境选择 python 3.8

conda create -n yolov8 python=3.8

activate yolov8

(base) C:\Windows\System32>activate yolov8

(yolov8) C:\Windows\System32>pip install ultralytics

Installing collected packages: pytz, py-cpuinfo, mpmath, zipp, urllib3, tzdata, typing-extensions, sympy, six, pyyaml, pyparsing, psutil, pillow, packaging, numpy, networkx, MarkupSafe, kiwisolver, idna, fsspec, fonttools, filelock, cycler, colorama, charset-normalizer, certifi, tqdm, scipy, requests, python-dateutil, opencv-python, jinja2, importlib-resources, contourpy, torch, pandas, matplotlib, torchvision, thop, seaborn, ultralytics

Successfully installed MarkupSafe-2.1.5 certifi-2024.2.2 charset-normalizer-3.3.2 colorama-0.4.6 contourpy-1.1.1 cycler-0.12.1 filelock-3.13.4 fonttools-4.51.0 fsspec-2024.3.1 idna-3.6 importlib-resources-6.4.0 jinja2-3.1.3 kiwisolver-1.4.5 matplotlib-3.7.5 mpmath-1.3.0 networkx-3.1 numpy-1.24.4 opencv-python-4.9.0.80 packaging-24.0 pandas-2.0.3 pillow-10.3.0 psutil-5.9.8 py-cpuinfo-9.0.0 pyparsing-3.1.2 python-dateutil-2.9.0.post0 pytz-2024.1 pyyaml-6.0.1 requests-2.31.0 scipy-1.10.1 seaborn-0.13.2 six-1.16.0 sympy-1.12 thop-0.1.1.post2209072238 torch-2.2.2 torchvision-0.17.2 tqdm-4.66.2 typing-extensions-4.11.0 tzdata-2024.1 ultralytics-8.1.45 urllib3-2.2.1 zipp-3.18.1

检验模型下载情况

(yolov8) D:\>cd D:\pythonSpace\test_demo\ultralytics-main

(yolov8) D:\pythonSpace\test_demo\ultralytics-main>yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

Downloading https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov8n.pt to 'yolov8n.pt'...

100%|█████████████████████████████████████████████████████████████████████████████| 6.23M/6.23M [04:35<00:00, 23.7kB/s]

Ultralytics YOLOv8.1.45 🚀 Python-3.8.19 torch-2.2.2+cpu CPU (13th Gen Intel Core(TM) i7-13700F)

YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs

Downloading https://ultralytics.com/images/bus.jpg to 'bus.jpg'...

100%|████████████████████████████████████████████████████████████████████████████████| 476k/476k [00:01<00:00, 373kB/s]

image 1/1 D:\pythonSpace\test_demo\ultralytics-main\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 44.9ms

Speed: 2.4ms preprocess, 44.9ms inference, 663.4ms postprocess per image at shape (1, 3, 640, 480)

Results saved to runs\detect\predict

💡 Learn more at https://docs.ultralytics.com/modes/predict

Pytorch和CUDA

(base) C:\Windows\System32>activate yolov8

(yolov8) C:\Windows\System32>conda search cudatoolkit

Loading channels: done

# Name                       Version           Build  Channel

cudatoolkit                      8.0               4  pkgs/main

cudatoolkit                      9.0               1  pkgs/main

cudatoolkit                      9.2               0  pkgs/main

cudatoolkit                 10.0.130               0  pkgs/main

cudatoolkit                 10.1.168               0  pkgs/main

cudatoolkit                 10.1.243      h74a9793_0  pkgs/main

cudatoolkit                  10.2.89      h74a9793_0  pkgs/main

cudatoolkit                  10.2.89      h74a9793_1  pkgs/main

cudatoolkit                 11.0.221      h74a9793_0  pkgs/main

cudatoolkit                   11.3.1      h59b6b97_2  pkgs/main

cudatoolkit                   11.8.0      hd77b12b_0  pkgs/main

(yolov8) C:\Windows\System32>conda search cudnn

Loading channels: done

# Name                       Version           Build  Channel

cudnn                          7.1.4       cuda8.0_0  pkgs/main

cudnn                          7.1.4       cuda9.0_0  pkgs/main

cudnn                          7.3.1      cuda10.0_0  pkgs/main

cudnn                          7.3.1       cuda9.0_0  pkgs/main

cudnn                          7.6.0      cuda10.0_0  pkgs/main

cudnn                          7.6.0      cuda10.1_0  pkgs/main

cudnn                          7.6.0       cuda9.0_0  pkgs/main

cudnn                          7.6.4      cuda10.0_0  pkgs/main

cudnn                          7.6.4      cuda10.1_0  pkgs/main

cudnn                          7.6.4       cuda9.0_0  pkgs/main

cudnn                          7.6.5      cuda10.0_0  pkgs/main

cudnn                          7.6.5      cuda10.1_0  pkgs/main

cudnn                          7.6.5      cuda10.2_0  pkgs/main

cudnn                          7.6.5       cuda9.0_0  pkgs/main

cudnn                          7.6.5       cuda9.2_0  pkgs/main

cudnn                          8.2.1      cuda11.3_0  pkgs/main

cudnn                       8.9.2.26        cuda11_0  pkgs/main

(yolov8) C:\Windows\System32>conda install cudatoolkit=11.3.1

Collecting package metadata (current_repodata.json): done

Solving environment: done

==> WARNING: A newer version of conda exists. <==

  current version: 23.7.4

  latest version: 24.3.0

Please update conda by running

    $ conda update -n base -c defaults conda

Or to minimize the number of packages updated during conda update use

     conda install conda=24.3.0

## Package Plan ##

  environment location: D:\Anaconda3\envs\yolov8

  added / updated specs:

    - cudatoolkit=11.3.1

The following packages will be downloaded:

    package                    |            build

    ---------------------------|-----------------

    cudatoolkit-11.3.1         |       h59b6b97_2       545.3 MB  defaults

    ------------------------------------------------------------

                                           Total:       545.3 MB

The following NEW packages will be INSTALLED:

  cudatoolkit        pkgs/main/win-64::cudatoolkit-11.3.1-h59b6b97_2

The following packages will be UPDATED:

  ca-certificates    anaconda/cloud/conda-forge::ca-certif~ --> pkgs/main::ca-certificates-2024.3.11-haa95532_0

Proceed ([y]/n)? y

Downloading and Extracting Packages

Preparing transaction: done

Verifying transaction: done

Executing transaction: done

(yolov8) C:\Windows\System32>conda install cudnn=8.2.1

Collecting package metadata (current_repodata.json): done

Solving environment: done

==> WARNING: A newer version of conda exists. <==

  current version: 23.7.4

  latest version: 24.3.0

Please update conda by running

    $ conda update -n base -c defaults conda

Or to minimize the number of packages updated during conda update use

     conda install conda=24.3.0

## Package Plan ##

  environment location: D:\Anaconda3\envs\yolov8

  added / updated specs:

    - cudnn=8.2.1

The following packages will be downloaded:

    package                    |            build

    ---------------------------|-----------------

    cudnn-8.2.1                |       cuda11.3_0       428.9 MB  defaults

    ------------------------------------------------------------

                                           Total:       428.9 MB

The following NEW packages will be INSTALLED:

  cudnn              pkgs/main/win-64::cudnn-8.2.1-cuda11.3_0

Proceed ([y]/n)? y

Downloading and Extracting Packages

Preparing transaction: done

Verifying transaction: done

Executing transaction: done

安装 pytorch 1.12.1

（1）方法一

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

（2）方法二

download.pytorch.org/whl/torch_stable.html#

输入d:（先换盘符，因为我把文件下载在D盘了）

输入：cd D:\Download\（该处为指定目录XXX，即刚才whl文件的保存地址）

输入pip install torch-1.12.1 可以按Tab键自动补全，

然后pip install torchvision-0.13.1+cu113-cp38-cp38-win_amd64，

最后pip install torchaudio-0.12.1+cu113-cp38-cp38-win_amd64，

测试 pytorch是否安装成功，

虚拟环境（yolov8）下进入python：输入 python

依次执行以下语句：

import torch

import torchvision

print(torch.cuda.is_available())

安装 ultralytics(yolov8)

pip install ultralytics

使用Pip在一个[**Python>=3.8**](https://www.python.org/)环境中安装`ultralytics`包，此环境还需包含[**PyTorch>=1.8**](https://pytorch.org/get-started/locally/)。这也会安装所有必要的[依赖项](https://github.com/ultralytics/ultralytics/blob/main/pyproject.toml)。

数据格式

YOLO数据集的格式主要包括以下几部分:

  • 图像文件: 这是数据集中的图像文件，通常是jpg或png格式。
  • 标注文件: 这是一个文本文件，包含了每张图像中目标对象的类别和位置信息。
  • 类别文件: 这是一个文本文件，包含了数据集中所有目标对象的类别信息。

Yolov8数据集标注文件为txt格式。

xml转换txt

import os, shutil
from tqdm import tqdm
from collections import Counter
import xml.etree.ElementTree as ET
from PIL import Image
import yaml
import random


class Dataset_Transforme_Yolov8:
    def __init__(self, jpg_path: str, xml_path: str, save_path: str, divide=False):
        self.jpg_path = jpg_path
        self.xml_path = xml_path
        self.save_path = save_path
        self.divide = divide

    def get_classes(self):
        '''
        统计路径下xml里的各类别标签数量
        '''
        names = []
        files_1 = []
        for root, dirs, files in os.walk(self.xml_path):
            for file in files:
                if ".xml" in file:
                    file = os.path.join(root, file)
                    subs = ET.parse(file).getroot().findall("object")
                    if len(subs) != 0:
                        files_1.append(file)
                    for sub in subs:
                        name = sub.find("name").text
                        names.append(name)
        result = Counter(names)
        return result, files_1

    def xml2txt(self, classes, file_path, txt_save_path, image_width, image_height):
        '''
        根据xml文件生成txt标签文件
        :param classes：类别列表
        :param file_path：xml文件路径
        :param image_width：图片宽度
        :param image_height：图片高度
        '''
        tree = ET.parse(file_path)
        root = tree.getroot()
        objects = root.findall('object')
        bboxes = []
        class_names = []
        for obj in objects:
            bbox = obj.find('bndbox')
            xmin = int(bbox.find('xmin').text)
            ymin = int(bbox.find('ymin').text)
            xmax = int(bbox.find('xmax').text)
            ymax = int(bbox.find('ymax').text)
            class_name = obj.find('name').text

            c1 = round((xmin + xmax) / (image_width * 2), 6)
            c2 = round((ymin + ymax) / (image_height * 2), 6)
            c3 = round((xmax - xmin) / image_width, 6)
            c4 = round((ymax - ymin) / image_height, 6)

            if class_name in classes:
                # print(class_name)
                bboxes.append([c1, c2, c3, c4])
                class_names.append(class_name)
            # 将数据写入到YOLO的TXT文件中
        with open(txt_save_path, 'w') as file:
            for bbox, class_name in zip(bboxes, class_names):
                file.write(
                    f"{classes.index(class_name)} {bbox[0]} {bbox[1]} {bbox[2]} {bbox[3]}\n")

    def data_split(self, full_list, train, val, shuffle, seed):
        """
        数据集拆分: 将列表full_list按比例划分为3个子列表
        :param full_list: 数据列表
        :param ratio: 比例
        :param shuffle: 是否打乱顺序
        :param seed: 随机种子
        :return:
        """
        n_total = len(full_list)
        offset_train = int(n_total * train)
        offset_val = int(n_total * val)
        offset_trainval = offset_train + offset_val

        if n_total == 0 or offset_train < 1 or train + val > 1.0:
            raise ValueError("划分出错，请检查列表与划分比例！参考格式train,val->0.7,0.1")

        if shuffle:
            random.seed(seed)
            random.shuffle(full_list)
        train_list = full_list[:offset_train]
        val_list = full_list[offset_train:offset_trainval]
        test_list = full_list[offset_trainval:]
        return train_list, val_list, test_list

    def voc2yolov8(self, train, val, shuffle=True, seed=10):
        """
        :param train: 训练集比例
        :param val: 验证集比例
        """
        obj_classes, files = self.get_classes()

        os.makedirs(os.path.join(self.save_path, "images/train"), exist_ok=True)
        os.makedirs(os.path.join(self.save_path, "images/val"), exist_ok=True)
        os.makedirs(os.path.join(self.save_path, "images/test"), exist_ok=True)

        os.makedirs(os.path.join(self.save_path, "labels/train"), exist_ok=True)
        os.makedirs(os.path.join(self.save_path, "labels/val"), exist_ok=True)
        os.makedirs(os.path.join(self.save_path, "labels/test"), exist_ok=True)

        classes = list(obj_classes.keys())
        train_list, val_list, test_list = self.data_split(files, train, val, shuffle, seed)
        for file in tqdm(files):
            if ".xml" in file:
                # name = file.replace("\\", "/").split("/")[-1].split(".")[0]
                name = os.path.splitext(os.path.basename(file))[0]
                xml_file = file.replace("\\", "/")
                jpg_file = os.path.join(self.jpg_path, name + ".jpg").replace("\\", "/")
                img_w, img_h = Image.open(jpg_file).size


                if file in val_list:
                    txt_save_path = os.path.join(self.save_path, "labels/val", name + ".txt")
                    self.xml2txt(classes, xml_file, txt_save_path, img_w, img_h)
                elif file in test_list:
                    txt_save_path = os.path.join(self.save_path, "labels/test", name + ".txt")
                    self.xml2txt(classes, xml_file, txt_save_path, img_w, img_h)
                else:
                    txt_save_path = os.path.join(self.save_path, "labels/train", name + ".txt")
                    self.xml2txt(classes, xml_file, txt_save_path, img_w, img_h)

                if self.divide:
                    if file in val_list:
                        shutil.copy(jpg_file, os.path.join(self.save_path, "images/val", name + ".jpg"))
                    elif file in test_list:
                        shutil.copy(jpg_file, os.path.join(self.save_path, "images/test", name + ".jpg"))
                    else:
                        shutil.copy(jpg_file, os.path.join(self.save_path, "images/train", name + ".jpg"))

        # 编写yaml文件
        classes_txt = {i: classes[i] for i in range(len(classes))}  # 标签类别
        data = {
            'path': os.path.join(os.getcwd(), self.save_path),
            'train': "images/train",
            'val': "images/val",
            'test': "images/test",
            'names': classes_txt,
            'download': ''
        }
        with open(self.save_path + '/dataset.yaml', 'w', encoding="utf-8") as file:
            yaml.dump(data, file, allow_unicode=True)
        print("标签：", dict(obj_classes))
        print("有标签文件数量：", len(files))


if __name__ == '__main__':
    jpg_path = r"D:\pythonSpace\test_demo\ultralytics-main\data\mydata04\image"  # 你的图片路径
    xml_path = r"D:\pythonSpace\test_demo\ultralytics-main\data\mydata04\xml"  # 你的xml路径
    save_path = r"D:\pythonSpace\test_demo\ultralytics-main\data\mydata04"  # 保存数据路径

    deals = Dataset_Transforme_Yolov8(jpg_path, xml_path, save_path, divide=True)
    deals.voc2yolov8(0.7, 0.1)  # 训练集与验证集占比

训练

新建train.py

import multiprocessing
# 定义其他函数和类
def main():
    from ultralytics import YOLO
    import torch
    # 检查CUDA是否可用，如果可用则选择GPU，否则选择CPU
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    # 加载模型，并将模型移动到选定的设备上
    model = YOLO("yolov8s.yaml").to(device)
    # 指定数据集路径

    data = "D:\\pythonSpace\\test_demo\\ultralytics-main\\data\\mydata03\\dataset.yaml"
    # 开始训练，确保训练在选定的设备上执行
    model.train(data=data, epochs=300, batch=16, device=device,amp=False)
    # 主程序逻辑
    # 在这里调用你的模型训练代码等等
if __name__ == '__main__':
    multiprocessing.freeze_support()  # 添加这一行来确保在 Windows 平台上正确运行多进程
    main()

预测媒体

新建run.py

from ultralytics import YOLO
model = YOLO("runs/detect/train3/weights/best.pt")  
# 或者（用于训练）: model = YOLO("yolov8x.yaml")
image = "data/mydata/image"  # 或者图片文件夹/视频文件
model.predict(image, save=True)  # 返回image的预测结果
# 训练：model.train(data="数据集路径.yaml", epochs=200, batch=16)
# 训练数据集类型看yolov8训练流程

预测视频帧

新建detect.py

from ultralytics import YOLO

from collections import defaultdict

import cv2

model = YOLO("runs/detect/train4/weights/last.pt")

video_path = "D:\\Desktop\\bb1.mp4"

# 打开视频文件

cap = cv2.VideoCapture(video_path)

frame_rate_divider = 5  # 设置帧率除数

frame_count = 0  # 初始化帧计数器

counts = defaultdict(int)

object_str = ""

index = 0

while cap.isOpened():  # 检查视频文件是否成功打开

    ret, frame = cap.read()  # 读取视频文件中的下一帧,ret 是一个布尔值，如果读取帧成功

    if not ret:

        break

    # 每隔 frame_rate_divider 帧进行一次预测

    if frame_count % frame_rate_divider == 0:

        results = model(frame)

        key = f"({index}): "

        index = index + 1

        for result in results:

            for box in result.boxes:

                class_id = result.names[box.cls[0].item()]

                counts[class_id] += 1

        object_str = object_str + ". " + key

        for class_id, count in counts.items():

            object_str = object_str + f"{count} {class_id},"

            counts = defaultdict(int)

    frame_count += 1  # 更新帧计数器

object_str = object_str.strip(',').strip('.')

print("reuslt:", object_str)

cap.release()

cv2.destroyAllWindows()
获取不同形式输出：
  • txt  放在print之前
with open('output.txt', 'w') as f:
    f.write("result: " + object_str + "\n")
  • 保存csv/json
  import csv

   with open('detection_results.csv', 'w', newline='') as csvfile:
       writer = csv.writer(csvfile)
       writer.writerow(['Frame Number', 'Class ID', 'Count'])
       for frame_key, results in frame_results.items():  # assuming there's a dictionary with frame results
           for result in results:
               writer.writerow([frame_key, result['class_id'], result['count']])

                

        

        

    




    

      

        

            

              
                
                  Vicky0207
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    24
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    21
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
yolov8+tensorRt 实例分割

				
			

			

				

					07-06
				

			

		

		

			
				
3. `logging.h`：这通常是一个日志记录头文件，用于在程序运行过程中记录重要信息，方便调试和分析。 4. `utils.h`：包含了一些辅助函数，可能包括图像处理、模型加载、数据预处理等功能。 5. `README.md`：这是项目...

			
		

	



                

              
                



	

		

			

				
					
YOLOv8训练自己的数据集并基于NVIDIA TensorRT和华为昇腾端到端模型加速项目代码.zip

				
			

			

				

					01-13
				

			

		

		

			
				
在这个项目中，你将学习如何准备自定义数据集，使用YOLOv8进行训练，然后将训练好的模型部署到NVIDIA TensorRT平台，以实现高性能的推理。对于华为昇腾的端到端模型加速，可能涉及到CANN（Compute Architecture for ...

			
		

	



                


  
              

                


	

		

			

				
					
通过.Net平台使用Yolov8

				
			

			

				

					Zythonista的博客
				

				

					03-13
					
					4038
					
				

			

		

		

			
				
在.Net平台适应Yolov8预测，记录了Yolov8.Net使用流程及异常处理

			
		

	





	

		

			

				
					
Yolov8的基本使用

				
			

			

				

					shanf7921的博客
				

				

					09-07
					
					3万+
					
				

			

		

		

			
				
yolov8的安装与基本使用

			
		

	



		

			
		



	

		

			

				
					
YOLOv8参数解释

					
最新发布

				
			

			

				

					qq_44903752的博客
				

				

					06-18
					
					1191
					
				

			

		

		

			
				
YOLOv8参数解释

			
		

	





	

		

			

				
					
yolo v8环境搭建与简单使用

				
			

			

				

					shgg2917的博客
				

				

					04-29
					
					5947
					
				

			

		

		

			
				
YOLOv8（You Only Look Once version 8）是一个深度学习框架，用于实现实时对象检测。它是 YOLO 系列的最新迭代，旨在提供更高的准确性和速度。YOLOv8 继承了前代模型的优点，并在此基础上进行了多项改进，包括更复杂的网络架构、更优化的训练流程和更强大的特征提取能力。这些改进共同作用，使得 YOLOv8 在多个标准数据集上达到了前所未有的检测性能。

			
		

	





	

		

			

				
					
使用YOLOv8进行模型预测

				
			

			

				

					冥河星主的博客
				

				

					01-02
					
					2309
					
				

			

		

		

			
				
YOLOv8是一个十分强大且好用的工具，它专为各种数据来源的高性能实时推理而设计。多功能性：能够对图像、视频乃至实时流进行推理。工程为实时、高速处理而设计、不牺牲准确性。直观的python和CLI接口，便于快速部署和测试。多种设置和参数可调，依据您的具体需求调整模型的推理行为。主页 - Ultralytics YOLOv8 文档），此处仅简单介绍。

			
		

	





	

		

			

				
					
YOLOv8-pose在ncnn框架下部署代码，包括onnx、*.bin、*.param

				
			

			

				

					05-05
				

			

		

		

			
				
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换） https://blog.csdn.net/Rachel321/article/details/130381788

			
		

	





	

		

			

				
					
百度智能云下部署YOLOv8运行环境

				
			

			

				

					03-02
				

			

		

		

			
				
1. **创建虚拟环境**：在百度智能云上，我们可以创建一个新的虚拟机实例，选择具有足够GPU资源的配置，因为YOLOv8训练和推理过程中需要GPU加速。安装常用的深度学习平台，如Anaconda，用于管理Python环境和依赖库。 ...

			
		

	





	

		

			

				
					
yolov8seg预训练模型参数

				
			

			

				

					08-29
				

			

		

		

			
				
4. 模型的训练日志或验证结果：记录了训练过程中的损失函数值、精度等指标。 5. 可能还有脚本文件（.py）：用于加载模型、评估模型性能或者进行微调。  使用这些预训练模型参数，开发者可以快速实现目标检测和语义...

			
		

	





	

		

			

				
					
YOLOv8安装配置全流程，一篇文章带你进入YOLOv8奇妙世界！（内涵yolov8资源）

					
热门推荐

				
			

			

				

					weixin_43366149的博客
				

				

					08-10
					
					5万+
					
				

			

		

		

			
				
YOLOv8一条龙安装教程，跟着此教程配置，都可以正常使用，如有问题，评论区提问

			
		

	





	

		

			

				
					
使用yolov8训练数据集及使用中遇到的问题

				
			

			

				

					weixin_51230935的博客
				

				

					08-30
					
					1万+
					
				

			

		

		

			
				
就是这个文件夹，别怕。

			
		

	





	

		

			

				
					
【yolov8部署实战】VS2019+OpenCV环境部署yolov8目标检测模型|含详细注释源码

				
			

			

				

					Yaoyao2024的博客
				

				

					03-02
					
					5436
					
				

			

		

		

			
				
yolov8 opencv模型部署（C++ 版）win10下 yolov8 tensorrt模型部署✨使用opencv推理yolov8模型，仅依赖opencv，无需其他库，以yolov8s为例子，注意：使用opencv4.8.1！使用opencv4.8.1！使用opencv4.8.1！如果你使用别的版本，例如opencv4.5，可能会出现错误至于怎么安装yolov8、训练模型、导出onnx博客中都有，这里不做详细解释。

			
		

	





	

		

			

				
					
YOLOV8目标识别——详细记录从环境配置、自定义数据、模型训练到模型推理部署

				
			

			

				

					知来者逆的博客
				

				

					11-14
					
					3万+
					
				

			

		

		

			
				
详细记录YOLOv8目标检测算法，从数据收集、环境配置、模型训练、模型部署，保姆级教程

			
		

	





	

		

			

				
					
YOLOv8来啦 | 详细解读YOLOv8的改进模块！YOLOv5官方出品YOLOv8！

				
			

			

				

					qq_40716944的博客
				

				

					01-09
					
					3万+
					
				

			

		

		

			
				
直接上YOLOv8的结构图吧，小伙伴们可以直接和YOLOv5进行对比，看看能找到或者猜到有什么不同的地方？YOLOv8网络结构图Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；PAN-FPN。

			
		

	





	

		

			

				
					
YOLOv8 深度详解！一文看懂，快速上手

				
			

			

				

					qq_39967751的博客
				

				

					01-12
					
					3万+
					
				

			

		

		

			
				
本文详细分析和总结了最新的 YOLOv8 算法，从整体设计到模型结构、Loss 计算、训练数据增强、训练策略和推理过程进行了详细的说明，并提供了大量的示意图供大家方便理解。

			
		

	





	

		

			

				
					
Yolov8教程，安装，训练，推理速度太强悍了，详细教学

				
			

			

				

					m0_62479378的博客
				

				

					05-03
					
					3万+
					
				

			

		

		

			
				
小白学习使用yolov8，训练自己的数据集，并且使用yolov调用摄像头

			
		

	





	

		

			

				
					
YOLOv8 快速入门(万字解析）

				
			

			

				

					爱编程的鱼的博客
				

				

					05-20
					
					1451
					
				

			

		

		

			
				
本文是 YOLOv8 入门指南（大佬请绕过），将会详细讲解安装，配置，训练，验证，预测等过程注意：如果遇到权重文件，模型文件下载缓慢的问题，可以在自己本机上下载，再上传到服务器。也可以选择代理或是 IDM 这样的下载软件然后下载 zip 压缩包即可。

			
		

	





	

		

			

				
					
yolov8使用 tensorboard可视化

				
			

			

				

					08-31
				

			

		

		

			
				
对于YOLOv8，你可以使用TensorBoard来可视化训练过程和模型性能。下面是使用TensorBoard的步骤：  1. 导入必要的库：  ```python from torch.utils.tensorboard import SummaryWriter ```  2. 创建一个`...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
Vicky0207

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
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