网站建设书籍2013年的,网站开发 北京外包公司,seo黑帽技术,最新房价数据出炉一、YOLO V8
YOLO V8 是由 2023 年 ultralytics 公司开源的发布#xff0c;是结合了前几代 YOLO 的融合改进版。YOLO V8 支持全方位的视觉 AI 任务#xff0c;包括检测、分割、姿态估计、跟踪和分类。并且在速度和准确性方面具有无与伦比的性能。能够应用在各种对速度和精度…一、YOLO V8
YOLO V8 是由 2023 年 ultralytics 公司开源的发布是结合了前几代 YOLO 的融合改进版。YOLO V8 支持全方位的视觉 AI 任务包括检测、分割、姿态估计、跟踪和分类。并且在速度和准确性方面具有无与伦比的性能。能够应用在各种对速度和精度要求较高的应用和领域。
网络结构如下图所示 YOLO V8 相对于 YOLO V5还是有很大的不同例如YOLO V8 相对于 YOLO V5依然使用的是CSP的思想不过将 V5 中的C3模块换成了C2F模块以减轻模型的大小也依旧使用 V5 架构中的SPPF模块。但是在 PAN-FPN 层面V8 将 V5 中的上采样阶段中的卷积结构去除了。同时借鉴了 YOLOX 的 Decoupled-Head 结构分类和回归两个任务的 HEAD 不再共享参数等。
在模型上 V8 和 V5 类似包括不同大小的模型从小到大包括yolov8n、yolov8s、yolov8m、yolov8l、yolov8x等
模型的比较如下 更多的介绍可以参考官方的文档 https://docs.ultralytics.com/de/models/yolov8/ 本文借助ultralytics 中 YOLO V8 迁移训练自定义的目标检测模型在本次的实验中主要训练一个人脸检测模型包括数据标注、数据拆分、训练、测试等过程。
本次采用ultralytics 公司发布的 ultralytics 框架可以帮助开发人员高效完成数据训练和验证任务由于 ultralytics 默认采用的为 PyTorch 框架因此实验前请安装好 cuda 和 torch 环境如果没有 GPU 环境由于YOLO V8 已经足够轻量级使用CPU 也是可以训练。
安装 ultralytics 库
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simpleultralytics 使用文档 https://docs.ultralytics.com/zh/quickstart/#use-ultralytics-with-python 测试 YOLO V8 的效果
测试图片
这里使用 yolov8n 模型如果模型不存在会自动下载
from ultralytics import YOLO
# Load a model
model YOLO(yolov8n.pt) # pretrained YOLOv8n modelresults model.predict(./img/1.png)
# Show results
results[0].show()二、数据收集及标注
图像数据可以从网上找一些或者自己拍摄我这里准备了一些 人 的图片 这里可以准备两个目录data/images 和 data/labels其中 labels 存放标注后的文件将收集到的图像放在 images 目录下 下面使用 labelimg 工具进行标注如果没有安装使用下面命令安装
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple然后在控制台输入labelimg 打开可视化工具 注意数据集格式默认是 VOC 格式的要选择为 YOLO 我这里的人脸标签为 face 这个后面需要使用到。
标注完成后可以在 /data/labels 下看到标注后的文件 三、数据拆分
这里拆分为 90% 的训练集10% 的验证集拆分脚本如下
import os
import shutil
from tqdm import tqdm# 图片地址
image_dir data/images/
# 标准文件地址
label_dir data/labels/
# 训练集的比例
training_ratio 0.9
# 拆分后数据的位置
train_dir train_datadef split_data():list os.listdir(image_dir)all len(list)train_count int(all * training_ratio)train_images list[0:train_count]val_images list[train_count:]# 训练集目录os.makedirs(os.path.join(train_dir, images/train), exist_okTrue)os.makedirs(os.path.join(train_dir, labels/train), exist_okTrue)# 验证集目录os.makedirs(os.path.join(train_dir, images/val), exist_okTrue)os.makedirs(os.path.join(train_dir, labels/val), exist_okTrue)# 训练集with open(os.path.join(train_dir, train.txt), w) as file:file.write(\n.join([train_dir images/train/ image_file for image_file in train_images]))print(save train.txt success!)# 拷贝数据for item in tqdm(train_images):label_file item.replace(.jpg, .txt)shutil.copy(os.path.join(image_dir, item), os.path.join(train_dir, images/train/))shutil.copy(os.path.join(label_dir, label_file), os.path.join(train_dir, labels/train/))# 验证集with open(os.path.join(train_dir, val.txt), w) as file:file.write(\n.join([train_dir images/val/ image_file for image_file in val_images]))print(save val.txt success!)# 拷贝数据for item in tqdm(val_images):label_file item.replace(.jpg, .txt)shutil.copy(os.path.join(image_dir, item), os.path.join(train_dir, images/val/))shutil.copy(os.path.join(label_dir, label_file), os.path.join(train_dir, labels/val/))if __name__ __main__:split_data() 可以在 train_data 中看到拆分后的数据集格式 四、训练
使用 ultralytics 框架训练非常简单仅需三行代码即可完成训练不过在训练前需要编写 YAML 配置信息主要标记数据集的位置。
创建 face.yaml 文件写入下面内容 path: D:/pyProject/yolov8/train_data # 数据集的根目录, 建议使用绝对路径
train: images/train # 训练集图像目录
val: images/val # 验证集图像目录
test: # test images (optional)# 分类
names:0: face注意分类中的 face 就是上面标注时的标签名。
开始训练
from ultralytics import YOLO# 加载模型
model YOLO(yolov8n.pt)# 训练
model.train(dataface.yaml, # 训练配置文件epochs50, # 训练的周期imgsz640, # 图像的大小device[0], # 设备如果是 cpu 则是 devicecpuworkers0,lr00.001, # 学习率batch8, # 批次大小ampFalse # 是否启用混合精度训练
)运行后可以看到打印的网络结构 训练中 训练结束后可以在 runs 目录下面看到训练的结果 其中 weights 下面的就是训练后保存的模型这里可以先看下训练时 loss 的变化图 五、模型测试
使用 best.pt 模型
from ultralytics import YOLO
# 加载模型
model YOLO(runs/detect/train/weights/best.pt)# 预测
results model.predict(data/images/8.jpg)# Show results
results[0].show()
