个人网站 可以自己做服务器,合肥seo培训,100种广告设计,广州专业网站改版领军企业✨ Blog’s 主页: 白乐天_ξ( ✿#xff1e;◡❛) #x1f308; 个人Motto#xff1a;他强任他强#xff0c;清风拂山冈#xff01; #x1f4ab; 欢迎来到我的学习笔记#xff01; 制作数据集
Labelme 数据集
数据集选用自己标注的#xff0c;可参考以下#xff1a… ✨ Blog’s 主页: 白乐天_ξ( ✿◡❛) 个人Motto他强任他强清风拂山冈 欢迎来到我的学习笔记 制作数据集
Labelme 数据集
数据集选用自己标注的可参考以下
[c17, c5, helicopter, c130, f16, b2,
other, b52, kc10, command, f15, kc135, a10,
b1, aew, f22, p3, p8, f35, f18, v22, f4,
globalhawk, u2, su-27, il-38, tu-134, su-33,
an-70, su-24, tu-22, il-76]格式转换
将 Labelme 数据集转为 yolov8 格式的数据集转换代码如下
import os
import shutilimport numpy as np
import json
from glob import glob
import cv2
from sklearn.model_selection import train_test_split
from os import getcwddef convert(size, box):dw 1. / (size[0])dh 1. / (size[1])x (box[0] box[1]) / 2.0 - 1y (box[2] box[3]) / 2.0 - 1w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn (x, y, w, h)def change_2_yolo5(files, txt_Name):imag_name []for json_file_ in files:json_filename labelme_path json_file_ .jsonout_file open(%s/%s.txt % (labelme_path, json_file_), w)json_file json.load(open(json_filename, r, encodingutf-8))# image_path labelme_path json_file[imagePath]imag_name.append(json_file_ .jpg)height, width, channels cv2.imread(labelme_path json_file_ .jpg).shapefor multi in json_file[shapes]:points np.array(multi[points])xmin min(points[:, 0]) if min(points[:, 0]) 0 else 0xmax max(points[:, 0]) if max(points[:, 0]) 0 else 0ymin min(points[:, 1]) if min(points[:, 1]) 0 else 0ymax max(points[:, 1]) if max(points[:, 1]) 0 else 0label multi[label].lower()if xmax xmin:passelif ymax ymin:passelse:cls_id classes.index(label)b (float(xmin), float(xmax), float(ymin), float(ymax))bb convert((width, height), b)out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)# print(json_filename, xmin, ymin, xmax, ymax, cls_id)return imag_namedef image_txt_copy(files, scr_path, dst_img_path, dst_txt_path)::param files: 图片名字组成的list:param scr_path: 图片的路径:param dst_img_path: 图片复制到的路径:param dst_txt_path: 图片对应的txt复制到的路径:return:for file in files:img_path scr_path fileprint(file)shutil.copy(img_path, dst_img_path file)scr_txt_path scr_path file.split(.)[0] .txtshutil.copy(scr_txt_path, dst_txt_path file.split(.)[0] .txt)if __name__ __main__:classes [c17, c5, helicopter, c130, f16, b2,other, b52, kc10, command, f15, kc135, a10,b1, aew, f22, p3, p8, f35, f18, v22, f4,globalhawk, u2, su-27, il-38, tu-134, su-33,an-70, su-24, tu-22, il-76]# 1.标签路径labelme_path USA-Labelme/isUseTest True # 是否创建test集# 3.获取待处理文件files glob(labelme_path *.json)files [i.replace(\\, /).split(/)[-1].split(.json)[0] for i in files]for i in files:print(i)trainval_files, test_files train_test_split(files, test_size0.1, random_state55)# splittrain_files, val_files train_test_split(trainval_files, test_size0.1, random_state55)train_name_list change_2_yolo5(train_files, train)print(train_name_list)val_name_list change_2_yolo5(val_files, val)test_name_list change_2_yolo5(test_files, test)# 创建数据集文件夹。file_List [train, val, test]for file in file_List:if not os.path.exists(./VOC/images/%s % file):os.makedirs(./VOC/images/%s % file)if not os.path.exists(./VOC/labels/%s % file):os.makedirs(./VOC/labels/%s % file)image_txt_copy(train_name_list, labelme_path, ./VOC/images/train/, ./VOC/labels/train/)image_txt_copy(val_name_list, labelme_path, ./VOC/images/val/, ./VOC/labels/val/)image_txt_copy(test_name_list, labelme_path, ./VOC/images/test/, ./VOC/labels/test/)运行完成后就得到了yolov8格式的数据集。
本地调试
下载与安装 ● Github GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch ONNX OpenVINO CoreML TFLite ● 也可以直接使用命令行pip install。 ● 下载到本地后解压将生成的yolo数据集放到datasets需要创建datasets 文件夹文件夹下面如下图 安装库文件
安装必要的库文件安装命令 pip install opencv-pythonpip install numpy1.23.5pip install pyyamlpip install tqdmpip install matplotlib 注意numpy的版本如果是 2.0 以上版本一定要把版本降下来。
创建配置文件
在根目录新建 VOC.yaml 文件添加内容
train:./VOC/images/train # train images
val:./VOC/images/val # val images
test:./VOC/images/test # test images (optional)names: [c17, c5, helicopter, c130, f16, b2,other, b52, kc10, command, f15, kc135, a10,b1, aew, f22, p3, p8, f35, f18, v22, f4,globalhawk, u2, su-27, il-38, tu-134, su-33,an-70, su-24, tu-22, il-76]创建训练脚本
新建train.py在train.py添加代码
from ultralytics import YOLO
if __name__ __main__:# 加载模型model YOLO(ultralytics/cfg/models/v8/yolov8l.yaml) # 从头开始构建新模型print(model.model)# Use the modelresults model.train(dataVOC.yaml, epochs100, device0, batch16, workers0) # 训练模型点击run开始运行train.py进行训练。
实时目标检测代码实现
以下是一个使用 Python 和 OpenCV 实现实时目标检测的示例代码
import cv2
from ultralytics import YOLO# 加载模型
model YOLO(your_model_path.pt) # 替换为你的模型路径# 打开摄像头
cap cv2.VideoCapture(0) # 0 表示默认摄像头如果有多个摄像头可以调整这个参数while True:# 读取一帧图像ret, frame cap.read()if not ret:break# 进行目标检测results model(frame)# 在图像上绘制检测结果annotated_frame results[0].plot()# 显示图像cv2.imshow(Real-time Object Detection, annotated_frame)# 按下 q 键退出循环if cv2.waitKey(1) 0xFF ord(q):break# 释放摄像头和关闭窗口
cap.release()
cv2.destroyAllWindows()基于丹摩智算的训练 创建一个实例这个在我之前发布的与丹摩平台关联的文章很详细地提到过可以跳转学习【链接】 首先创建账号登录然后点击CPU云实例开始创建实例选择付费类型选择实力配置配置数据盘选择镜像Pytorch创建密钥对 实例创建完后就点击JupyterLab进入控制台。 然后将我们刚才创建的工程压缩成 zip 的压缩包等待上传。 点击文件夹样子的标签进入根目录然后点击↑进入上传文件的页面。 选择文件点击打开。 上传完成后点击Termina就可以进入我们熟悉的命令行界面。 输入 ls就可以看到我们刚才上传的压缩包。然后输入 unzip ultralytics-main.zip解压 解压后就可以在左侧的目录中看到解压后的文件夹。点击进入。 点击train.pyOpen With→Editor。 打开 train.py 后就可以修改 train.py 里面的参数了。 pip install opencv-python通过以上步骤你可以成功地进行 YoloV8 的训练和测试。无论是在本地还是基于丹摩智算平台都能根据自己的需求进行模型的训练和优化。
在训练过程中需要注意以下几点
一、数据准备
确保标注的数据集准确无误类别清晰明确。这将直接影响模型的训练效果和准确性。在格式转换过程中仔细检查转换后的数据集是否符合 YoloV8 的格式要求避免出现错误。
二、参数调整
在本地调试和基于丹摩智算的训练中可以根据实际情况调整训练参数如 epochs训练轮数、batch批大小、device使用的设备等。不同的参数组合可能会对训练时间和模型性能产生影响。对于复杂的数据集或特定的任务可以尝试不同的模型架构和超参数以获得更好的性能。
三、测试与评估
在测试阶段使用不同的图像进行预测观察模型的准确性和泛化能力。可以通过调整阈值等参数来优化预测结果。对测试结果进行评估如计算准确率、召回率、F1 值等指标以了解模型的性能表现。
四、持续优化
根据测试结果和评估指标对模型进行进一步的优化。可以尝试增加数据量、进行数据增强、调整模型结构等方法。不断尝试新的技术和方法以提高模型的性能和适用性。
总之YoloV8 是一个强大的目标检测模型通过合理的数据准备、参数调整和测试评估可以获得良好的训练效果和准确的预测结果。希望本教程能够帮助你顺利地进行 YoloV8 的训练和测试为你的目标检测任务提供有力的支持。
