25/1/11 算法笔记 Yolov8物体识别

这几天做了给Yolov8检测物体的小任务，今天来做下总结。

首先介绍下整个Yolov8检测的步骤吧，安装库那些就不讲了。

这是我的文件包的对象树。

有images包，里面装了训练和验证的图像。

labels包，装了标注好的labels的txt文件，一开始标注好是json文件，要经过脚本转化，变成yolov能识别的txt文件。

这里我之前遇到一个麻烦，就是我已经开始是用多边形标注的，结果yolov8训练出来一坨，我查了查yolov8好像在目标识别这块不能用多边形。分割的话可以用多边形做。然后就改成矩形做了。

dataset.yaml文件

复制代码

path: C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail
train: C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail/images/train
val: C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail/images/val

# 类别信息
nc: 1
names: ['fence']

script文件里装的是运行脚本

train.py

复制代码

from ultralytics import YOLO

def train_model():
    """
    训练 YOLOv8 目标检测模型。
    """
    # 加载预训练的目标检测模型
    model = YOLO("yolov8n.pt")  # 使用 YOLOv8 的目标检测模型

    # 训练模型
    results = model.train(
        data="C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/dataset.yaml",  # 数据集配置文件路径
        epochs=100,  # 训练轮数
        imgsz=640,   # 图像大小
        batch=16,    # 批量大小
        name="guardrail_detection",  # 训练任务名称
        patience=10,  # 早停机制，如果 10 轮验证集性能没有提升，则停止训练
        device="0",  # 使用 GPU 训练（如果有 GPU）
        workers=4,   # 数据加载的线程数
        optimizer="auto",  # 自动选择优化器
        lr0=0.01,    # 初始学习率
        lrf=0.01,    # 最终学习率
        weight_decay=0.0005,  # 权重衰减
        save=True,   # 保存训练结果
        save_period=10,  # 每 10 轮保存一次模型
    )

    print("训练完成！模型权重保存在 runs/detect/guardrail_detection/weights/ 目录下。")

if __name__ == "__main__":
    train_model()

device = "0"就代表我用的GPU训练，记得要装pytorch的GPU版本。

训练完了之后权值会在run/../weight文件里面,选里面最好的best,吧它的地址换进，infer_image文件里面

复制代码

from ultralytics import YOLO
from PIL import Image, ImageDraw, ImageFont
import os

def draw_boxes(image, boxes, labels, confidences):
    """
    在图像上绘制边界框和标签。
    :param image: PIL 图像对象
    :param boxes: 边界框坐标列表
    :param labels: 类别标签列表
    :param confidences: 置信度列表
    :return: 绘制后的图像
    """
    draw = ImageDraw.Draw(image)
    font = ImageFont.load_default()
    for box, label, confidence in zip(boxes, labels, confidences):
        x1, y1, x2, y2 = box
        draw.rectangle([x1, y1, x2, y2], outline="red", width=2)
        draw.text((x1, y1), f"{label} {confidence:.2f}", fill="red", font=font)
    return image

def infer_image(image_path, output_dir):
    """
    对单张图像进行推理。
    :param image_path: 图像路径
    :param output_dir: 输出目录
    """
    # 加载训练好的模型
    model = YOLO("C:/Users/ren/Desktop/gm/runs/detect/guardrail_detection2/weights/best.pt")

    # 推理（降低置信度阈值）
    results = model(image_path, conf=0.1)  # 设置置信度阈值为 0.1

    # 处理结果
    for result in results:
        boxes = result.boxes.xyxy.tolist()  # 获取边界框坐标
        labels = result.boxes.cls.tolist()  # 获取类别 ID
        confidences = result.boxes.conf.tolist()  # 获取置信度
        names = result.names  # 获取类别名称

        # 将类别 ID 转换为类别名称
        labels = [names[int(cls)] for cls in labels]

        # 打开图像
        image = Image.open(image_path)

        # 绘制标注
        if boxes:  # 如果有检测到目标
            image = draw_boxes(image, boxes, labels, confidences)
        else:
            print(f"{image_path} 未检测到目标！")

        # 创建输出目录（如果不存在）
        os.makedirs(output_dir, exist_ok=True)

        # 保存图像
        image_name = os.path.basename(image_path)  # 获取图像文件名
        output_path = os.path.join(output_dir, image_name)
        image.save(output_path)

    print(f"推理完成！结果保存在 {output_path}")

def infer_validation_set(validation_dir, output_dir):
    """
    对验证集进行批量推理。
    :param validation_dir: 验证集目录
    :param output_dir: 输出目录
    """
    # 遍历验证集目录中的所有图像
    for image_name in os.listdir(validation_dir):
        if image_name.lower().endswith((".jpg", ".jpeg", ".png")):  # 仅处理图像文件
            image_path = os.path.join(validation_dir, image_name)
            infer_image(image_path, output_dir)

if __name__ == "__main__":
    validation_dir = "C:/Users/ren/Desktop/gm/guardrail_monitoring/datasets/guardrail/images/val"  # 验证集目录
    output_dir = "C:/Users/ren/Desktop/outputs/images"  # 输出目录
    infer_validation_set(validation_dir, output_dir)

最后就训练好了Yolov8模型

明天来解析一下yolov8的源代码逻辑。