【深度学习目标检测】十九、基于深度学习的芒果计数分割系统-含数据集、GUI和源码（python，yolov8）

使用深度学习算法检测芒果具有显著的优势和应用价值。以下是几个主要原因：

特征学习的能力：深度学习，特别是卷积神经网络（CNN），能够从大量的芒果图像中自动学习和提取特征。这些特征可能是传统方法难以手动设计的，但对于芒果的检测和识别却至关重要。
适应复杂环境：芒果生长在不同的环境和条件下，其外观、颜色、形状等都可能发生变化。深度学习算法通过大量的训练数据，可以学习到这些变化，从而在不同环境下都能准确地检测芒果。
处理大数据：在芒果检测中，通常需要处理大量的图像数据。深度学习算法可以高效地处理这些数据，并快速给出检测结果。
减少人工干预：传统的芒果检测方法可能需要人工目视观察或者使用特定的工具，这既费时又费力。深度学习算法可以实现自动化检测，减少人工干预，提高检测效率。
提高检测准确性：深度学习算法在训练过程中不断优化，可以实现对芒果的精确检测。与传统方法相比，深度学习算法具有更高的检测准确率和鲁棒性。

综上所述，使用深度学习算法检测芒果可以提高检测效率、准确性和自动化水平，是芒果检测领域的一种重要技术手段。

本文介绍了基于深度学习yolov8的芒果检测系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。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。

检测结果如下图：

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

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

芒果实例分割数据集包含453个训练数据，91个测试数据，数据如下所示：

为了使用yolov8进行训练，需要将数据集转为yolo格式，本文提供转换好的数据集连接：mango-yolov8数据集

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件mango.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.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: D:\DeepLearning\datasets\csdn\mango-segmentation-dataset\mango_yolov8  # 替换为自己的数据集路径
train: images/train 
val: images/test 
test: images/test  # Classes
names:# 0: normal0: mango

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo segment train project=mango name=train exist_ok data=mango/mango.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

3、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 segment val imgsz=640 model=mango/train/weights/best.pt data=mango/mango.yaml

精度如下：

Ultralytics YOLOv8.1.10 🚀 Python-3.9.18 torch-2.2.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
YOLOv8n-seg summary (fused): 195 layers, 3258259 parameters, 0 gradients, 12.0 GFLOPs
val: Scanning D:\DeepLearning\datasets\csdn\mango-segmentation-dataset\mango_yolov8\labels\test.cache... 90 images, 0 backgrounds, 0 corrupt: 100%|██████████| 90/90 [00:00<? Class     Images  Instances      Box(P          R      mAP50  mAP50-95)     Mask(P          R      mAP50  mAP50-95): 100%|██████████| 6/6 [00:02<00:00,  2.1all         90        578      0.961      0.953      0.985      0.892       0.96      0.952      0.985      0.837
Speed: 5.1ms preprocess, 8.0ms inference, 0.0ms loss, 2.2ms postprocess per image
Results saved to runs\segment\val
💡 Learn more at https://docs.ultralytics.com/modes/val

四、推理

训练好了模型，可以使用如下代码实现推理，权重路径修改为自己的路径：

from PIL import Image
from ultralytics import YOLO# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')image_path = 'test.jpg'
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