临海市建设局网站,陕西省安康市建设局网站,小学生网站制作,网页版qq空间登录YOLOv8是一种物体检测算法#xff0c;是YOLO系列算法的最新版本。 YOLO#xff08;You Only Look Once#xff09;是一种实时物体检测算法#xff0c;其优势在于快速且准确的检测结果。YOLOv8在之前的版本基础上进行了一系列改进和优化#xff0c;提高了检测速度和准确性。… YOLOv8是一种物体检测算法是YOLO系列算法的最新版本。 YOLOYou Only Look Once是一种实时物体检测算法其优势在于快速且准确的检测结果。YOLOv8在之前的版本基础上进行了一系列改进和优化提高了检测速度和准确性。 YOLOv8采用了Darknet-53作为其基础网络架构。Darknet-53是一个53层的卷积神经网络用于提取图像特征。与传统的卷积神经网络相比Darknet-53具有更深的网络结构和更多的卷积层可以更好地捕捉图像中的细节和语义信息。 在YOLOv8中还使用了一些技术来提高检测性能。首先是使用了多尺度检测。YOLOv8在不同的尺度上检测物体这样可以更好地处理物体的大小变化和远近距离差异。其次是利用了FPNFeature Pyramid Network结构来提取多尺度特征。FPN可以将不同层级的特征图进行融合使得算法对不同大小的物体都有较好的适应性。 此外YOLOv8还利用了一种称为CSPDarknet的网络结构来减少计算量。CSPDarknet使用了CSPCross Stage Partial结构在网络的前向和后向传播过程中进行特征融合从而减少了网络的参数量和计算量。 在训练阶段YOLOv8使用了一种称为CutMix的数据增强技术。CutMix将不同图像的一部分进行混合从而增加了数据的多样性和鲁棒性。 总而言之YOLOv8是一种快速而准确的物体检测算法它通过引入Darknet-53网络、多尺度检测、FPN结构、CSPDarknet结构和CutMix数据增强等技术实现了对不同大小和距离的物体进行快速、准确的检测。 本文介绍了基于Yolov8的路标检测模型包括训练过程和数据准备过程同时提供了推理的代码。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。
效果如下图 一、安装YoloV8
yolov8官方文档主页 - Ultralytics YOLOv8 文档
安装部分参考官方安装教程
二、数据集准备
路标检测数据集检测4种路标speedlimitcrosswalktrafficlightstop。总共877张图其中训练集701张图、测试集176张图。
示例图片如下 原始的数据格式为COCO格式本文提供转换好的yolov8格式数据集可以直接放入yolov8中训练数据集地址路标数据集yolov8格式
三、模型训练
1、数据集配置文件
在ultralytics/ultralytics/cfg/datasets目录下添加roadsign.yaml添加以下内容path修改为自己的路径
# Ultralytics YOLO , AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train datacoco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: datasets/roadsign/roadsign-yolov8 # 修改为自己的数据路径
train: images/train
val: images/val
test: images/val # Classes
names:# 0: normal0: speedlimit # speedlimitcrosswalktrafficlightstop1: crosswalk2: trafficlight3: stop
2、修改模型配置文件
在ultralytics/ultralytics/cfg/models/v8目录下添加yolov8n_roadsign.yaml添加以下内容
# Ultralytics YOLO , AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 4 # number of classes
scales: # model compound scaling constants, i.e. modelyolov8n.yaml will call yolov8.yaml with scale n# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs# s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs# m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs# l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs# x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 15 (P3/8-small)- [-1, 1, PolarizedSelfAttention, [256]] # 16- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 18 (P4/16-medium)- [-1, 1, PolarizedSelfAttention, [512]] # 20- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f, [1024]] # 21 (P5/32-large)- [-1, 1, PolarizedSelfAttention, [1024]] # 24- [[16, 20, 24], 1, Detect, [nc]] # Detect(P3, P4, P5)3、训练模型
使用如下命令训练模型相关路径更改为自己的路径建议绝对路径
yolo detect train projectdeploy nameyolov8_roadsign exist_okTrue optimizerauto valTrue ampTrue epochs100 imgsz640 modelultralytics/ultralytics/cfg/models/v8/yolov8_roadsign.yaml dataultralytics/ultralytics/cfg/datasets/roadsign.yaml4、验证模型
使用如下命令验证模型相关路径根据需要修改
yolo detect val imgsz640 modeldeploy/yolov8_roadsign/weights/best.pt dataultralytics/ultralytics/cfg/datasets/roadsign.yaml精度如下图 四、推理
训练好了模型可以使用如下代码实现推理将权重放到同级目录
from PIL import Image
from ultralytics import YOLO# 加载预训练的YOLOv8n模型
model YOLO(best.pt)# 在bus.jpg上运行推理
image_path road582.png
results model(image_path) # 结果列表# 展示结果
for r in results:im_array r.plot() # 绘制包含预测结果的BGR numpy数组im Image.fromarray(im_array[..., ::-1]) # RGB PIL图像im.show() # 显示图像im.save(results.jpg) # 保存图像本教程训练好的权重和推理代码、示例代码连接推理代码和训练好的权重
