怎么建好网站,番禺网络公司,跨越物流公司官网,网页编辑软件排行榜目录 一、图片压接部位定位1、图像准备2、人工标注3、训练4、推理5、UI界面 压接状态智能识别 一、图片压接部位定位
#xff0c;往往X射线照片是一个大图#xff0c;进行图片压接部位定位目的是先找到需识别的部位#xff0c;再进行识别时可排除其他图像部位的干扰#x… 目录 一、图片压接部位定位1、图像准备2、人工标注3、训练4、推理5、UI界面 压接状态智能识别 一、图片压接部位定位
往往X射线照片是一个大图进行图片压接部位定位目的是先找到需识别的部位再进行识别时可排除其他图像部位的干扰提高准确率。
1、图像准备
准备多个需进行压接状态智能识别的图片保存再source文件夹中
2、人工标注
使用labelImg 工具进行标注 图片文件夹设置为source 另存标注文件夹为annotations 保存格式为YOLO 快捷键W为标注、D为下一张、A为上一张
3、训练
使用split_dataset.py 工具将图像与标注文件划分数据集
import os
import random
import shutil# 设置路径
source_dir d:/Xradio/photo_enhance/source
annotations_dir d:/Xradio/photo_enhance/annotations
output_dir d:/Xradio/photo_enhance/dataset# 创建输出目录
os.makedirs(os.path.join(output_dir, train/images), exist_okTrue)
os.makedirs(os.path.join(output_dir, train/labels), exist_okTrue)
os.makedirs(os.path.join(output_dir, val/images), exist_okTrue)
os.makedirs(os.path.join(output_dir, val/labels), exist_okTrue)
os.makedirs(os.path.join(output_dir, test/images), exist_okTrue)
os.makedirs(os.path.join(output_dir, test/labels), exist_okTrue)# 获取所有文件
image_files [f for f in os.listdir(source_dir) if f.endswith((.jpg, .bmp))]
random.shuffle(image_files)# 划分数据集
train_files image_files[:int(len(image_files)*0.7)]
val_files image_files[int(len(image_files)*0.7):int(len(image_files)*0.9)]
test_files image_files[int(len(image_files)*0.9):]# 复制文件到相应目录
def copy_files(files, split):for f in files:# 复制图像shutil.copy(os.path.join(source_dir, f), os.path.join(output_dir, split, images, f))# 复制标注label_file f.replace(.jpg, .txt).replace(.bmp, .txt)shutil.copy(os.path.join(annotations_dir, label_file),os.path.join(output_dir, split, labels, label_file))copy_files(train_files, train)
copy_files(val_files, val)
copy_files(test_files, test)print(数据集划分完成)
创建labels.yaml 文件告诉训练系统各文件路径 其中train为训练数据、val为验证集、test为测试集
train: d:/Xradio/photo_enhance/dataset/train/images
val: d:/Xradio/photo_enhance/dataset/val/images
test: d:/Xradio/photo_enhance/dataset/test/imagesnc: 1
names: [target]
使用以下指令进行训练 yolo train datalabels.yaml modelyolov8n.pt epochs50 imgsz640 batch8 ampTrue device0 训练结果保存在run/detect/train6/weights/best.pt
best.pt为训练的结果模型。
4、推理
编写推理程序输入为模型与要检测的照片输出为位置坐标
from ultralytics import YOLO
import cv2
import osdef main(image_path):# 加载YOLO模型model_path runs/detect/train6/weights/best.pttry:model YOLO(model_path)except Exception as e:raise RuntimeError(f无法加载模型: {str(e)})# 验证图片路径if not os.path.exists(image_path):raise FileNotFoundError(f文件不存在: {image_path})# 读取图片original_image cv2.imread(image_path)if original_image is None:raise ValueError(无法读取图片请检查文件格式)# 进行推理results model.predict(original_image)detections results[0].boxes.xyxy.cpu().numpy()# 在图像上绘制检测框并返回第一个检测框的坐标annotated_image original_image.copy()if len(detections) 0:x1, y1, x2, y2 map(int, detections[0])# 裁剪检测框内的图片部分cropped_image original_image[y1:y2, x1:x2]return cropped_image, (x1, y1, x2, y2)else:return None, Noneif __name__ __main__:main()
5、UI界面
支持单张推理也支持批量推理
import tkinter as tk
from tkinter import filedialog, messagebox, ttk
from PIL import Image, ImageTk
from inference_app import main as run_inference
from ultralytics import YOLO
import cv2
import osclass YOLOApp:def __init__(self, root):self.root rootself.root.title(YOLOv8 图像检测)self.root.geometry(800x600)# 创建界面元素self.create_widgets()def create_widgets(self):# 文件选择按钮self.select_button tk.Button(self.root, text选择图片, commandself.select_image)self.select_button.pack(pady10)# 文件夹选择按钮self.select_folder_button tk.Button(self.root, text选择文件夹, commandself.select_folder)self.select_folder_button.pack(pady10)# 图片显示区域self.image_label tk.Label(self.root)self.image_label.pack(expandTrue, filltk.BOTH)# 推理按钮self.infer_button tk.Button(self.root, text开始检测, commandself.run_detection, statetk.DISABLED)self.infer_button.pack(pady10)# 保存按钮self.save_button tk.Button(self.root, text保存结果, commandself.save_result, statetk.DISABLED)self.save_button.pack(pady10)def select_image(self):# 打开文件选择对话框file_path filedialog.askopenfilename(filetypes[(图片文件, *.jpg *.jpeg *.png *.bmp)])if file_path:self.image_path file_pathself.display_image(file_path)self.infer_button.config(statetk.NORMAL)def display_image(self, file_path):# 显示原始图片image Image.open(file_path)image.thumbnail((800, 600))self.photo ImageTk.PhotoImage(image)self.image_label.config(imageself.photo)def run_detection(self):# 运行推理try:# 使用inference_app中的推理逻辑annotated_image, bbox run_inference(self.image_path)# 显示带检测框的图片if annotated_image is not None:annotated_image cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB)annotated_image Image.fromarray(annotated_image)annotated_image.thumbnail((800, 600))self.photo ImageTk.PhotoImage(annotated_image)self.image_label.config(imageself.photo)self.save_button.config(statetk.NORMAL)except Exception as e:messagebox.showerror(错误, f推理失败: {str(e)})def save_result(self):# 保存结果图片save_path filedialog.asksaveasfilename(defaultextension.jpg,filetypes[(JPEG 文件, *.jpg), (PNG 文件, *.png)])if save_path:try:# 获取原始图片original_image cv2.imread(self.image_path)# 运行推理获取检测框model_path runs/detect/train6/weights/best.ptmodel YOLO(model_path)results model.predict(original_image)detections results[0].boxes.xyxy.cpu().numpy()if len(detections) 0:x1, y1, x2, y2 map(int, detections[0])# 裁剪图片cropped_image original_image[y1:y2, x1:x2]# 保存裁剪后的图片cv2.imwrite(save_path, cropped_image)# 显示保存的图片self.display_image(save_path)messagebox.showinfo(成功, f裁剪后的图片已保存到: {save_path})else:messagebox.showwarning(警告, 未检测到目标无法裁剪)except Exception as e:messagebox.showerror(错误, f保存失败: {str(e)})def select_folder(self):# 打开文件夹选择对话框folder_path filedialog.askdirectory()if folder_path:# 创建输出目录output_dir os.path.join(folder_path, processed)os.makedirs(output_dir, exist_okTrue)# 获取所有图片文件image_files [f for f in os.listdir(folder_path) if f.lower().endswith((.png, .jpg, .jpeg, .bmp))]# 创建进度条self.progress tk.DoubleVar()self.progress_bar ttk.Progressbar(self.root, variableself.progress, maximumlen(image_files))self.progress_bar.pack(pady10)# 批量处理for i, image_file in enumerate(image_files):try:# 更新进度self.progress.set(i 1)self.root.update_idletasks()# 处理图片image_path os.path.join(folder_path, image_file)annotated_image, _ run_inference(image_path)# 保存结果output_path os.path.join(output_dir, image_file)cv2.imwrite(output_path, annotated_image)except Exception as e:messagebox.showerror(错误, f处理 {image_file} 失败: {str(e)})continue# 处理完成messagebox.showinfo(完成, f所有图片已处理完成保存到: {output_dir})self.progress_bar.pack_forget()if __name__ __main__:root tk.Tk()app YOLOApp(root)root.mainloop()
压接状态智能识别
