做车贷的网站,去大连需要下载什么软件,做网站需要的软件,浙江建设集团网站往期文章列表#xff1a; 【YOLO深度学习系列】图像分类、物体检测、实例分割、物体追踪、姿态估计、定向边框检测演示系统【含源码】 【深度学习】物体检测/实例分割/物体追踪/姿态估计/定向边框/图像分类检测演示系统【含源码】 【深度学习】YOLOV8数据标注及模型训练方法整… 往期文章列表 【YOLO深度学习系列】图像分类、物体检测、实例分割、物体追踪、姿态估计、定向边框检测演示系统【含源码】 【深度学习】物体检测/实例分割/物体追踪/姿态估计/定向边框/图像分类检测演示系统【含源码】 【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示 【深度学习】行人跌倒行为检测软件系统 【深度学习】火灾检测软件系统 【深度学习】吸烟行为检测软件系统
软件功能演示 摘要本文主要使用YOLOV8深度学习框架自训练了一个“数竹签检测模型”基于此模型使用PYQT5实现了一款界面软件用于功能演示。让您可以更好的了解和学习该软件支持图片、视频以及摄像头进行目标检测使用目标检测的方式可以对竹签/筷子/钢管等目标进行监测和计数应用场景还是比较丰富的。本系统所涉及的训练数据及软件源码已打包上传。 文中源码文件【获取方式】关注公众号利哥AI实例探险 给公众号发送 “数竹签” 获取下载方式 给公众号发送 “数竹签数据集” 获取数据集下载方式由于本人能力有限难免有疏漏之处。 数竹签 图片检测演示
点击图片图标选择需要检测的图片即可得到检测结果。
视频检测演示
点击视频图标选择需要检测的视频即可得到检测结果。
摄像头功能
系统还提供了摄像头实时监测功能可自行尝试
模型训练
整体可参考【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示 以下是简单说明 关于YOLOV8的数据标注及模型训练更详细的内容可关注我的另一篇专门记录这部分的文章。
数据集准备及标注
目标检测的数据标注可以用LabelImg建议直接下载其可执行程序而不是通过pip安装使用。 准备了 “数竹签数据集”用作训练演示。把准备的数据集分为训练和验证两个数据集一共包含 210 张图片部分图片如下所示这些数据集来源于网上
模型训练
可参考【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示
新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别yolov8在进行模型训练时会读取该文件的信息用于进行模型的训练与验证data.yaml的具体内容如下路径和names改成具体的即可
注train与val后面表示需要训练图片的路径建议直接填写绝对路径 2. 数据准备完成后通过调用train.py文件进行训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小根据内存大小调整即可最小为1代码如下所示
用到基础模型yolov8n.pt所涉及的文件已打包上传可关注【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示进行获取运行 python train.py进行训练如果想后台运行可以使用 nohup python train.py 命令训练过程如下所示
训练结果保存在 /runs/train 系列文件夹中训练完的最终文件目录结构如下
训练结果评估
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件均已打包上传感兴趣的小伙伴可以通过下载链接自行获取下载方式放在文章开头部分。 通常用损失函数下降的曲线来观察模型训练的情况yolov8训练时主要包含三个方面的损失定位损失、分类损失和动态特征损失训练结束后在runs/目录下找到训练过程及结果文件
定位损失box_loss预测框与标定框之间的误差GloU越小定位越准确分类损失cls_loss计算锚框与对应标定分类是否正确越小分类越准确动态特征损失dfl_loss一种用于回归预测框与目标框之间距离的损失函数通过计算动态特征损失可以更准确地调整预测框的位置提高目标检测的准确性。 本文训练结果如下
PR曲线体现精确率和召回率的关系mAP表示Precision和Recall作为两轴作图后围成的面积m表示平均后面的数表示iou为正负样本的阈值mAP0.5表示阈值大于0.5的平均mAP可以看到本文模型目标检测的mAP0.5。
检测结果识别
模型训练完成后可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights/bset.pt可以使用该文件进行推理检测。 原文地址【深度学习】数竹签演示软件系统
