yolo8 目标检测、鉴黄

省流 看前必读 别浪费时间 ：本文只是一个记录，防止自己下次被改需求时浪费时间，在这里就随意的写了一下文章记录整个步骤，但是文章想必肯定没有对应的教程讲的详细，该文章只适合想要快速按照步骤完成一个简单的 demo 的同学，并不适合想完全掌握 yolo 的同学。

一、安装环境

前言预览：

  • 环境的安装分为 anaconda、pytorch、ultralytics
  • pytorch安装需要注意自己的显卡版本选择对应的，30、40 系显卡要装 cuda 11版本，16 系显卡安装cuda 102版本（本文没有进行说明，可以搜搜找到适合自己显卡的版本，若是40系显卡跟着我步骤就ok）
  • 注意python版本不在3.8-3.11之间则会报错（以下会有一个解决办法）

1.1 anaconda

在此建议使用Anaconda，不然本地环境配了还要换，贼麻烦，Anaconda真香，我以前是懒得用的，结果现在真香。

首先安装 Anaconda，安装完毕后直接打开，简单吧，咱们 winer 就是喜欢可视化，low 也认了，我懒。

打开后如下，然后找到 create 创建当前项目的环境：
在这里插入图片描述
给予python对应版本号，记得有些版本不支持，我忘记了，就按照这个来吧，你可以自己搜一下会比较清楚：
在这里插入图片描述

1.2 pytorch

接着开始装 pytorch，地址：https://pytorch.org/get-started/locally/

截图如下：

在这里插入图片描述

安装一些老版本会比较兼容稳定，不然太新会寄，这个我就不过多解释了，做开发的都懂：

在这里插入图片描述

对了，这里对你的显卡啥的有版本要求，找到适合你的，我是 4060 ti ，选择了适合的版本（你可以搜，我忘记了，这篇文章就是临时做了一个小项目，顺手做个笔记，防止下次叫我改需求啥啥啥的）：
这里我选择的是 cuda 11.8：
https://pytorch.org/get-started/previous-versions/

在这里插入图片描述

接着通过 conda 打开你的命令提示窗，就是 open Terminal：

在这里插入图片描述

输入以下命令：

conda install pytorch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0 pytorch-cuda=11.8 -c pytorch -c nvidia

复制命令，enter执行：

在这里插入图片描述
在这里插入图片描述

1.2 ultralytics

yyyyy… 后，然后安装 ultralytics：

pip install ultralytics

注意，在这几步注意你的网络，你是否设置了全局镜像源，不清楚的就切换网络试试，说不定就成了。

随后到 github 的 ultralytics 中下载那个文件，我这里直接下载了压缩包：

进入 ultralytics 解压后的文件夹 -e. 安装，注意，使用 cd 进入目录，不会的搜搜 cd 命令是干啥的用的，就是 cd 后面一个目录就进去了，进不去注意切换盘符，例如默认C盘，你进入了D盘你cd后还需要 d: 才可以（建议学学不然说不明白，从基础说起来又太多了，这里就给小白玩家一个提示。）：

pip install -e .

随后就开始安装：
在这里插入图片描述

1.4 有报错的注意

若python版本不在3.8-3.11之间则会报错，找不到指定的模块：\site-packages\torch\lib\fbgemm.dll
在这里插入图片描述
解决办法：将python版本换回

在运行此命令之前尝试执行conda clean --all此操作，否则可能有缓存的原因会导致你安装不了：
在这里插入图片描述
安装完毕后，可以使用 yolo 命令，看看能不能用：

yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg

以上命令是 yolo 就是表示使用 yolo ，你可以这样理解，随后 predict 表示预测，连起来就是使用 yolo 预测，model 表示选择模型是 yolov8n，.pt 就是后缀就不用理了，source 表示预测的那个图片位置，在这里选择的目录是 ultralytics/assets/ 下的 bus.jpg 文件，随后会直接进行人像的预测。

简而言之：

yolo predict model=模型选择 source=你要预测的图片

1.5 代码预测方式如下：

代码：

from ultralytics import YOLOyolo=YOLO("./yolov8n.pt",task="detect")
res=yolo(source="./ultralytics/assets/bus.jpg")

代码执行：
在这里插入图片描述

二、在线标注网站

2.1 导入文件

咱们在这里使用在线的标注网站，轻松方便直接标注直接使用。
打开标注网站 ：
https://www.makesense.ai/

直接选择 start 开始：

在这里插入图片描述
把你的图片拖进来，我这里拖了51张图片：

在这里插入图片描述
选择目标检测 object detection：
在这里插入图片描述

2.2 label 标注

随后的界面会说你的当前 label 标签是空的：
在这里插入图片描述
点击中间创建 标签：

在这里插入图片描述
点击 + 号可以添加标签，我这里直接添加 A 和 B 标签：
在这里插入图片描述
之后点击接受即可：
在这里插入图片描述
唔然后我发现改版了这个网站，以前直接是个十字架你直接画框就好，现在要自己选，选择画框,有可能你不需要选也得：在这里插入图片描述
然后鼠标放到你图片上画个框，就是你需要检测的对象长啥样，你就把他框出来（由于我图片敏感就不做演示，如果你要检测人你就框人，检测某一个特定logo你就框那个 logo）：
在这里插入图片描述
框了后在这里选择你框出来的目标的分类：
在这里插入图片描述
有可能我这里标签是男人、女人，那么我这里框出来男人就选择标签为男人的选项，我这里就用A、B表示了。

随后在左上角 Action 操作中选择导出：
在这里插入图片描述
随后弹出来后选择 yolo 格式的 zip 文件，这个看你自己，我是需要 zip 的，txt 格式的文件：
在这里插入图片描述
随后导出后，会下载一个压缩包，解压后里面有 txt 的文件：

在这里插入图片描述

三、模型训练代

进行模型训练和预测我们需要准备好对应的目录以及标注文件，例如 dataset目录，在 dataset目录下创建对应的图片 train 训练文件夹以及验证文件夹 val。当然 dataset 目录下是分不同项目的，不同项目不同文件夹，在这里我用 gjf 表示我的项目名，在 gif 下创建对应的训练目录以及验证目录（继续往下看吧）。

3.1 目录和文件准备

训练前准备，在 yolo 根目录创建一个 dataset：
在这里插入图片描述

打开文件目录，在 datasets 下创建一个 gif，你可以认为 gif 为当前项目的数据集名称，毕竟需要创建不同的名称为数据集分类。

接着 在 gif下创建一个 images 文件夹，用于存放对应的图片数据集，但我们的图片数据集分为训练和验证，再次两个种类分别创建两个目录，一个为 train 用于训练，另一个叫做 val 用于验证。

接着我们需要再创建一个 label 文件夹用于存放对应的标注文件：

在这里插入图片描述
同样，对应的label 有用于训练的以及用于验证的，那么此时在labels 文件夹下创建两个对应的 train 和 val 文件夹：
在这里插入图片描述

此时我们回到存放image 文件夹下，在 train 文件下把我们拿来标注的图片复制过来：
在这里插入图片描述
接着我们选取几张图片进行剪切存放到 val 文件夹下：
在这里插入图片描述
在此我选择6张图片剪贴到 val下：

在这里插入图片描述
随后打开标注文件下的 train 中；
在这里插入图片描述
复制之前下载的标注内容到此文件夹：
在这里插入图片描述

此时你还记得，之前剪切到 val 中的 image 图片吗？我是 6、7、8、66、67、68 这 6 个文件，此时将他们的数据在 labels 下的 train 文件夹中进行剪切，复制到 labels 下的 val 文件夹中，因为我们要做到 labels 于 images 文件夹下的文件一一对应，这是原因：

在这里插入图片描述
此时还差最后一步，我们回到 labels 文件夹下创建一个 classes.txt 文件：

在这里插入图片描述

此文件是说明咱们训练的内容分为几个类别，在此我是两个类别，其中内容为（这里要跟你标注的标签一致，我之前使用 A、B做标签的，所以在这里应该是A、B，这是以前的项目所以就没发改了，就这样了，你理解就ok）：
在这里插入图片描述
这个类型请按照你自己的进行自定义。

3.2 配置项

接下来开始做训练前的最后一步，创建我们 gjf 项目的配置文件，在根目录下创建一个 .yaml 文件，当然你可以自命名，我是命名为了 gif，这个文件是配置作用：

在这里插入图片描述
其中编写如下配置信息：
在这里插入图片描述

XML 如下：

path: gjf # datasets 下的哪个项目
train: images/train # 训练图片在哪
val: images/val # 验证目录在哪
test: # test images (optional)# Classes
names:0: GJF1: SQ

随后执行命令：yolo task=detect model=./yolov8n.pt data=gjf.yaml epochs=25 workers=1 batch=16

若出现文件找不到之类的问题或者模型找不到，请使用绝对路径，那样可以暂时解决你的错误，但是你还需要自己调整一下当前你的系统环境，这是另外的问题在此就不再多说，查资料就ok。

解决执行完毕后，顺利无误将会出现以下结果：
在这里插入图片描述

此时结果告诉我保留咋爱了某个目录下的 runs\detect… 中，best.pt 是最好的模型结果，那我们使用 best.pt 检测一下我们目标识别效果如何：

yolo detect predict model= runs/... source= ..... show=true

以上命令记得把哪个 … 啥的 路径 改成你自己的目录

3.3 代码检测某一图片是否有目标

接着我们使用代码运行查看结果 ：

import cv2
from ultralytics import YOLO# 加载训练好的模型
model = YOLO("path_to_your_trained_model.pt")
# 读取图片
image_path = "path_to_your_image.jpg"
img = cv2.imread(image_path)
# 进行检测
results = model.predict(source=img, save=False)if len(results[0].boxes) > 0:print("有")
else:print("没有")

结果如下：
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/52991.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

学习之git

学习之git

github 创建远程仓库 代码推送 Push 代码拉取 Pull 代码克隆 Clone SSH免密登录 Idea集成GitHubGitee码云 码云创建远程仓库 Idea集成Gitee码云 码云连接Github进行代码的复制和迁移GitLab gitlab服务器的搭建和部署 Idea集成GitLabgit概述 一切皆本地 版本控制工具 集中…
阅读更多...
win10配置adb环境变量

win10配置adb环境变量

初始状态： 最简单的配置方案，直接复制adb所在路径： 粘贴进来确定即可： 然后打开 cmd 查看已经配置成功了：
阅读更多...
【c++】cout打印char * 或者char[]的细节详解

【c++】cout打印char * 或者char[]的细节详解

目录 char* 类型 1.打印指向的字符串 2.打印指针指向的地址 问题描述 解决方法 char型数组 1. 想要输出字符串 2. 想输出字符数组的地址 printf 和cout 的对比 1.打印首字符 2.打印字符串 3.打印字符串首地址 💗感谢阅读！💗 char*…
阅读更多...
用powermock编写单元测试

用powermock编写单元测试

1、pom文件引入jar包 <!-- 单元测试 start --> <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope> </dependency> <dependency>&…
阅读更多...
基于ZYNQ SOC的软件无线电处理平台

基于ZYNQ SOC的软件无线电处理平台

板载SOC实时处理器&#xff1a;XC7Z020-2CLG484I板载2片AD9361射频收发芯片&#xff0c;兼容AD80305具有1路千兆以太网口具有1个USB串口、1个USB OTG、1个SD卡ADC/DAC采集位宽&#xff1a;12位2路TX、2路RX&#xff0c;可实现全双工或者半双工 基于Xilinx ZYNQ SOC的软件无线电…
阅读更多...
第 4 章 第 4 章 卷积神经网络-datawhale ai夏令营

第 4 章 第 4 章 卷积神经网络-datawhale ai夏令营

独热向量 y ′ 的长度决 定了模型可以识别出多少不同种类的东西。我们希望 y ′ 和 yˆ 的交叉熵越小越好。 为了避免过拟合&#xff0c;在做图像识别的时候&#xff0c;考虑到图像本身的特性&#xff0c;并不一定 需要全连接&#xff0c;即不需要每个神经元跟输入的每个维度都…
阅读更多...
Python中排序算法之插入排序

Python中排序算法之插入排序

1 插入排序算法原理 插入排序算法与《Python中排序算法之选择排序》中提到的选择排序算法类似&#xff0c;也是将要排序的数列分为两个子数列&#xff08;红色框数列和绿色框数列&#xff09;&#xff0c;不同之处在于插入排序算法从绿色框子数列中逐个选择数字&#xff0c;之…
阅读更多...
单片机内存区域划分

单片机内存区域划分

目录 一、C 语言内存分区1、栈区2、堆区3、全局区&#xff08;静态区&#xff09;4、常量区5、代码区6、总结 二、单片机存储分配1、存储器1.1 RAM1.2 ROM1.3 Flash Memory1.4 不同数据的存放位置 2、程序占用内存大小 一、C 语言内存分区 C 语言在内存中一共分为如下几个区域…
阅读更多...
【生日视频制作】农村大马路绿色墙体广告标语喷漆AE模板修改文字软件生成器教程特效素材【AE模板】

【生日视频制作】农村大马路绿色墙体广告标语喷漆AE模板修改文字软件生成器教程特效素材【AE模板】

生日视频制作教程农村大马路墙体广告标语喷漆AE模板改文字素材 怎么如何做的【生日视频制作】农村大马路绿色墙体广告标语喷漆AE模板修改文字软件生成器教程特效素材【AE模板】 生日视频制作步骤&#xff1a; 安装AE软件 下载AE模板 把AE模板导入AE软件 修改图片或文字 渲染出…
阅读更多...
【最新消息】211高校，拟撤销测绘工程专业

【最新消息】211高校，拟撤销测绘工程专业

近日&#xff0c;中国石油大学&#xff08;北京&#xff09;教务处发布《关于公示2024年度拟撤销本科专业的通知》&#xff0c;拟撤销音乐学、建筑学、测绘工程等9个本科专业。 通知内容如下&#xff1a; 根据《教育部高等教育司关于开展2024年度普通高等学校本科专业设置工作的…
阅读更多...
【STM32】IIC

【STM32】IIC

超级常见的外设通信方式&#xff0c;一般叫做I方C。 大部分图片来源&#xff1a;正点原子HAL库课程 专栏目录&#xff1a;记录自己的嵌入式学习之路-CSDN博客 目录 1 基本概念 1.1 总线结构 1.2 IIC协议 1.3 软件模拟IIC逻辑 2 AT24C02 2.1 设备地址与…
阅读更多...
一次VUE3 使用axios调用萤石云OpenAPI踩坑经历

一次VUE3 使用axios调用萤石云OpenAPI踩坑经历

通过调用萤石云的获取设备列表功能&#xff0c;我们可以根据 ACCESS_TOKEN 获取该用户下的设备列表。 Python 调用接口 根据接口文档[1]&#xff0c;使用Python&#xff0c;很轻松就能获取到该列表&#xff0c;代码如下&#xff08;该代码用于拼接生成vue代码&#xff0c;这是…
阅读更多...
Codeforces Round 969 (Div. 2) 题ABC详细题解，包含(C++,Python语言描述)

Codeforces Round 969 (Div. 2) 题ABC详细题解，包含(C++,Python语言描述)

前言&#xff1a; 首先让我们恭喜tourist创造历史 他是第一&#xff0c;他又是第一&#xff0c;他总是第一&#xff0c;第一个codefores上4000分的&#xff0c;创造一个新的段位:Tourist&#xff0c;他的名字就是一个新的段位&#xff0c;他就是最高的山&#xff0c;最长的河 本…
阅读更多...
访问win10共享文件夹：用户或密码不正确 以及 未授予用户在此计算机上的请求登录类型

访问win10共享文件夹：用户或密码不正确 以及 未授予用户在此计算机上的请求登录类型

因为安装的是神州网信政府版&#xff0c;该版本通常包含更严格的安全策略和访问控制&#xff0c;设置了共享文件夹后&#xff0c;访问共享文件夹时出现错误。 1、首先报错&#xff1a;用户或密码不正确 将》网络访问&#xff1a;本地账户的共享和安全模型&#xff0c;修改为&a…
阅读更多...
开源通用验证码识别OCR —— DdddOcr 源码赏析(二)

开源通用验证码识别OCR —— DdddOcr 源码赏析(二)

文章目录 前言DdddOcr分类识别调用识别功能classification 函数源码classification 函数源码解读1. 分类功能不支持目标检测2. 转换为Image对象3. 根据模型配置调整图片尺寸和色彩模式4. 图像数据转换为浮点数据并归一化5. 图像数据预处理6. 运行模型&#xff0c;返回预测结果 …
阅读更多...
Python测试之测试覆盖率统计

Python测试之测试覆盖率统计

本篇承接上一篇 Python测试框架之—— pytest介绍与示例&#xff0c;在此基础上介绍如何基于pytest进行测试的覆盖率统计。 要在使用 pytest 进行测试时检测代码覆盖率&#xff0c;可以使用 pytest-cov 插件。这个插件是基于 coverage.py&#xff0c;它能帮助你了解哪些代码部…
阅读更多...
人工智能和机器学习5 （复旦大学计算机科学与技术实践工作站）语言模型相关的技术和应用、通过OpenAI库，调用千问大模型，并进行反复询问等功能加强

人工智能和机器学习5 （复旦大学计算机科学与技术实践工作站）语言模型相关的技术和应用、通过OpenAI库，调用千问大模型，并进行反复询问等功能加强

前言 在这个日新月异的AI时代&#xff0c;自然语言处理&#xff08;NLP&#xff09;技术正以前所未有的速度改变着我们的生活方式和工作模式。作为这一领域的佼佼者&#xff0c;OpenAI不仅以其强大的GPT系列模型引领风骚&#xff0c;还通过其开放的API接口&#xff0c;让全球开…
阅读更多...
哈工大-操作系统L30

哈工大-操作系统L30

文件使用磁盘的实现 fd文件描述符 buf内存缓冲区 count读写字符的个数 file->inode获得inode file_write写文件 inode映射表 读写的内存缓冲区buf,file字符流的位置200-212,根据inode提供的索引号找到块号,根据buf形成请求队列&#xff0c;再放入电梯队列 fseek调整读…
阅读更多...
Jenkins安装使用详解，jenkins实现企业级CICD流程

Jenkins安装使用详解，jenkins实现企业级CICD流程

文章目录 一、资料1、官方文档 二、环境准备1、安装jdk172、安装maven3、安装git4、安装gitlab5、准备我们的springboot项目6、安装jenkins7、安装docker8、安装k8s&#xff08;可选&#xff0c;部署节点&#xff09;9、安装Harbor10、准备带有jdk环境的基础镜像 三、jenkins实…
阅读更多...
力扣1235.规划兼职工作

力扣1235.规划兼职工作

力扣1235.规划兼职工作 动态规划 二分 将所有工作按照结束时间排序f[i]表示前i个工作可获取的最大收益状态转移&#xff1a;取第i个工作&#xff0c;f[i] profit[i] f[j]&#xff0c;其中j为结束时间小于i的开始时间的最大数不取第i个工作&#xff0c;f[i] f[i-1]可以通过二…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023