焊接自动化测试平台图像处理分析-模型训练推理

1、使用技术栈：jdk17/springboot/python/opencv/yolov8

2、JAVA环境搭建
JDK17下载安装：
wget https://download.oracle.com/java/17/latest/jdk-17_linux-x64_bin.tar.gz
解压软件

tar -xf jdk-17.0.16_linux-x64_bin.tar.gz
配置全局变量

vim /etc/profile
放到最后面

export JAVA_HOME=/usr/local/jdk-17.0.16

export CLASSPATH=.:JAVA_HOME/lib:JRE_HOME/lib:$CLASSPATH

export PATH=JAVA_HOME/bin:JRE_HOME/bin:$PATH

使环境变量生效

source /etc/profile
设置环境变量：CXJG_HOST = prod

echo 'export CXJG_HOST=prod' >> ~/.bashrc

source ~/.bashrc

后台启动jar服务：
java Jar包后台启动 并把日志输出到 output.log中

nohup java -jar robot-0.0.1-SNAPSHOT.jar > output.log 2>&1 &

3、通过虚拟环境安装进行隔离

python -m venv yolov8-env

source yolov8-env/bin/activate

pip install opencv-python

pip install --upgrade pip

pip install ultralytics

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

如果不行 执行一下

source yolov8-env/bin/activate

python -c "import cv2; print(cv2.version)"

python -c 'from ultralytics import YOLO; print("YOLOv8 installed!")'

pip show ultralytics

退出当前虚拟环境 ‌：

bashCopy Code

conda deactivate

该命令会将当前激活的虚拟环境退出，返回base环境或系统默认环境

• 若使用source venv/bin/activate激活的环境，直接输入deactivate即可退出811。

1. 安装python3.13

apt install python3-pip

安装yolov8n

pip3 install ultralytics

安装schedule

pip uninstall schedule

pip install schedule

安装pymysql

pip3 install pymysql

安装dbutils

pip3 install dbutils

pip3 install --upgrade python-dateutil

4、mysql8下载安装

参考：https://blog.csdn.net/ITzhanghao/article/details/150922166?spm=1001.2014.3001.5502

基于Yolov8n 模型训练流程：

1. 加载显示数据
   1. #加载与训练模型
   2. #安装三方库：ultralytics
   3. #导包：from ultralytics import YOLO
   5. from numpy.config import show
   6. from ultralytics import YOLO
   7. #1.'加载模型
   8. #2.检测目标
   9. #加载预训练模型
   10. #官方提供的基础测试和训练模型
   11. #首次运行自动下载。
   12. a1 = YOLO('yolov8n.pt')
   13. #2.检测目标
   14. #show=True 显示检测结果
   15. #save=True,保存检测结果
   16. a1('2.jpg',show = True,save = True)
2. 检测图片或视频
   1. #检测网络图片
   3. from ultralytics import YOLO
   5. a1 = YOLO('yolov8n.pt')
   7. a1('mv.jpg',show = True,save = True)
3. 准备数据集结构
   1. #准备数据集结构文件
   4. #跟目标创建1个文件夹（可自定义名称）
   5. #下面创建再2个文件夹（images和labels)
   6. #images和labels 下再分别创建2个文件夹（train和val)
   7. #images下的train和val 芳入训练图片（png,jp
   8. #labels下的train和val 放入图片标注(txt)
4. 准备训练图片和标注
5. 准备数据集配置文件
   1. #准备数据集配置文件
   3. #创建1个yaml格式的文件（可自定义名称）
   4. #配置数据集信息、用于训练模型
   5. data.yaml内容如下：
      1. path: C:\Users\HR0432\source\repos\robot\robot\xun #数据集根目录

1. 1. 1. train: images/train #训练集图片路径
      2. val: images/val #验证集图片路径
      3. nc: 3 #类别数量
      4. names: ['正常','发黑','爆点'] #类别名称
2. 开始训练
   1. #开始模型训练
   2. import sys
   3. import io
   4. sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
   6. from ultralytics import YOLO
   7. import matplotlib
   8. matplotlib.use('Agg') # 寮哄埗浣跨敤闈炰氦浜掑紡鍚庣
   11. #加载预训练模型
   12. a1 = YOLO('yolov8n.pt')
   13. #开始训练
   14. a1.train(
   15. data='data.yaml', #数据集配置文件路径
   16. epochs=300, #训练轮次 官方推荐500
   17. imgsz=640, #输入图片尺寸 官方推荐640
   18. batch=16, #每次训练的批量 官方推荐16/32
   19. device='cpu' , #GPU=0 CPU= 'cpu'
   20. workers=4 # 数据加载线程数
   21. )
   23. print('**********************************')
   24. print('**********************************')
   25. print('**********************************')
   26. print('**************SUCCESS*************')
   27. print('**************SUCCESS*************')
   28. print('**************SUCCESS*************')
   29. print('**********************************')
   30. print('**********************************')
   31. print('**********************************')
3. 测试模型结果
   1. #检测模型结果
   3. from ultralytics import YOLO
   4. #模型训练完毕自动保存到C:\Users\HR0432\source\repos\robot\robot\runs\detect\train2\weights
   5. #best.pt是训练好的最优模型（适用于最终应用）
   6. #last.pt是训练的最后一轮模型（适用于训练继续）
   9. #加载自己训练好的模型
   10. a1 = YOLO(r'C:\Users\HR0432\source\repos\robot\robot\runs\detect\train16\weights\best.pt')
   11. #目标检测
   12. a1('3.jpg',show = True,save = True)