YOLOV8实战-和平精英敌我检测

YOLOV8实战，从环境配置、数据准备、数据标注、模型训练、模型导出到源码分享

前言：
效果展示
- ==图片展示==
- ==视频展示==
简介：
- **【YOLOV8是啥？】**
- **【YOLOV8能干啥？有啥应用场景？】**
一、环境准备
- 1、新建一个虚拟环境
- 2、配置第三方库
- 3、另外我们需要通过克隆仓库到本地来获得yolov8最新版本。
- 4、下载一个预训练模型包
- 5、环境测试
- - 测试代码
二、数据集制作
- ①【视频帧提取代码】
- ②【图片标注】
- ③【切分数据集】
- - 切分数据集代码：
三、训练文件配置
- - 新建配置文件代码：
四、开始训练
- 方法一：命令行训练
- 方法二：代码训练
五、实时检测
- 代码：
六、模型推理，pt转换成onnx模型
- 推理代码：
七、源码
- 源码链接：

前言：

最近刷到有大佬用目标检测在做害虫密度检测，不明觉厉，心想有时间了我也要去琢磨琢磨物体检测，前几天又有人找我帮忙做cf的敌我检测，这回可是下了决心要磕一磕这个技术了，网上写YOLOV8的教程不少，但是从数据集制作、标注、训练、应用的详细教程往往不在一篇文章中，借鉴起来不是那么方便，所以我把自己摸索路上的一些笔记记录在这个平台，一来是备份，方便我将来自己寻找，二来嘛如果将来有人有相同的需求时也能有个参照

效果展示

图片展示

在这里插入图片描述

视频展示

和平精英敌我检测

简介：

【YOLOV8是啥？】

YOLOv8是Ultralytics的最新版本YOLO。作为最先进的 SOTA 模型，YOLOv8 建立在以前版本成功的基础上，引入了新功能和改进，以增强性能、灵活性和效率。

【YOLOV8能干啥？有啥应用场景？】

有应用场景能帮我们更好的掌握这项技术哦，比如我就是从病虫害检测和敌我检测开始入手学习的。
YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿势估计、跟踪和分类。这种多功能性使用户能够在不同的应用程序和域中利用YOLOv8的功能。模型中只需要设定不同的训练模型，就可以得到不同的检测结果。

接下来进入教程了

一、环境准备

1、新建一个虚拟环境

在Anaconda Prompt里面输入以下指令新建环境

conda create --name YOLOV8_1 python=3.9

上面代码里的–name是新建的环境名称，指定python版本为3.9，可按需更改

新建完成后，输入以下代码进入新建的虚拟环境

activate YOLOV8_1

2、配置第三方库

在虚拟环境里输入以下指令下载ultralytic库和labelimg库，其中调用YOLOV8在ultralytic库，数据标注要用到labelimg库

pip install ultralyticspip install labelimg

3、另外我们需要通过克隆仓库到本地来获得yolov8最新版本。

github地址：，链接直达

 https://github.com/ultralytics/ultralytics

git

4、下载一个预训练模型包

github地址：，链接直达

https://github.com/ultralytics/assets/releases/tag/v8.2.0

在这里插入图片描述

网站上提供了s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），模型下载好之后和你的代码放在同级文件夹下

5、环境测试

环境准备到这里就差不多了，接下来执行代码测试一下环境搭建是否成功

测试代码


from ultralytics import YOLO
#加载模型，换成你自己的文件位置，图片也一样
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt"
source=r"C:\Users\user2580185125\Desktop\yolov8博客\测试环境.png"
#进行预测并保存
model.predict(source, save=True, imgsz=640, conf=0.7)

测试效果展示

【原图】

在这里插入图片描述
【效果图】

在这里插入图片描述
这就代表你的环境搭建好了，我们要进入下一步骤了

二、数据集制作

我们测试的图片数据来自游戏视频，当然如果你有自己的图片素材也可，爬虫也可，我先录屏自己玩游戏，之后用代码把视频帧提取出来作为我们的原始图片，在这个上面去标注
在这里插入图片描述

①【视频帧提取代码】

import os
import cv2
import sys
import time
#遍历指定目录下所有的视频，按照指定时间间隔截取视频帧
def save_frame(time_in_sec, file_path):# 打开视频文件cap = cv2.VideoCapture(file_path)# 获取视频的帧率fps = cap.get(cv2.CAP_PROP_FPS)# 获取视频的总帧数total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))duration = total_frames / fpsnum = 0while(num < duration):num = num + time_in_sec# 计算指定时间对应的帧数frame_number = int(num * fps)# 设置视频的当前帧cap.set(cv2.CAP_PROP_POS_FRAMES, frame_number)# 读取当前帧ret, frame = cap.read()if ret:timestamp = int(time.time())  # 获取当前时间戳save_path = f"image\\frame_{frame_number}_{timestamp}.jpg"# 保存当前帧为图片cv2.imwrite(save_path, frame)print("保存成功：" + save_path)else:print("读取视频帧失败")# 关闭视频文件cap.release()def traverse_directory(directory):for root, dirs, files in os.walk(directory):for file in files:video_path = os.path.join(root, file)print(video_path)save_frame(2, video_path)
if __name__ == '__main__':# 遍历当前目录，这个换成自己的traverse_directory(r'D:\YOLOV8\ultralytics-main\Self_Code\视频逐帧转为图片\video')print("运行成功")

代码的同级文件夹下要新建一个image文件夹，用来存放图片的，我没写判断语句，没有的话会报错

②【图片标注】

有了图片我们就可以开始标注了，先激活虚拟环境，在虚拟环境中执行以下代码打开标注软件

labelimg

在这里插入图片描述
软件打开之后是这样的

在这里插入图片描述
在软件左侧选择你需要打标签的文件夹，记得文件格式选择yolo格式，注意看图片，都圈出来了，之后就可以尽情的标注了，标注好了一张图片就保存一张，这一步比较费眼睛

③【切分数据集】

标注好的数据集需要切分为训练、测试、验证数据集，执行以下代码进行一键切分，代码中需要修改原数据集存放位置和保存位置，另外就是原图片得放在一个images文件夹里面，不然会报错

切分数据集代码：

import os
import random
import shutil# 原数据集目录
root_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\视频逐帧转为图片'
# 划分比例
train_ratio = 0.8
valid_ratio = 0.1
test_ratio = 0.1# 设置随机种子
random.seed(42)# 拆分后数据集目录
split_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\self_img'
os.makedirs(os.path.join(split_dir, 'train/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'train/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/labels'), exist_ok=True)# 获取图片文件列表
image_files = os.listdir(os.path.join(root_dir, 'images'))
image_files = [file for file in image_files if file[-3:] != 'txt']# 随机打乱文件列表
# combined_files = list(zip(image_files, label_files))
combined_files = list(image_files)
random.shuffle(combined_files)
# image_files_shuffled, label_files_shuffled = zip(*combined_files)
image_files_shuffled = combined_files
# 根据比例计算划分的边界索引
train_bound = int(train_ratio * len(image_files_shuffled))
valid_bound = int((train_ratio + valid_ratio) * len(image_files_shuffled))# 将图片和标签文件移动到相应的目录for i, image_file in enumerate(image_files_shuffled):label_file = f"{image_file.split('.')[0]}.txt"# 复制文件划分数据集，可以将图片和标签放在同一个文件夹下if i < train_bound:shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'train/images', image_file))shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'train/labels', label_file))elif i < valid_bound:shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'valid/images', image_file))shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'valid/labels', label_file))else:shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'test/images', image_file))shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'test/labels', label_file))print('执行完成')

切分好的文件夹层级是这样的

在这里插入图片描述图片

标签

在这里插入图片描述

三、训练文件配置

新建一个yaml配置文件，放在训练代码的同级文件夹下，我这里随便取个名字叫cat.yaml,修改里面的文件存放地址，改成你自己的文件地址，names那里你有几个类就写几个类，往下加或者减，按照格式来就行

新建配置文件代码：

# 和平精英
train: D:\YOLOV8\ultralytics-main\Self_Code\self_img\train
val: D:\YOLOV8\ultralytics-main\Self_Code\self_img\valid
test: D:\YOLOV8\ultralytics-main\Self_Code\self_img\test# Classes
names:0: enemy1: self2: team3: jilifu

另外还需要去修改你预训练模型的配置文件，这个文件是你在github那里下载下来的，图片里圈的很详细怎么找，我用的是yolov，就要去D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8文件夹修改yolov8.yaml文件夹，主要是改nc，你有几个类别就改成几我复制了一份文件，改的复制文件的内容，这样下次还能找着源文件

在这里插入图片描述
好，准备工作结束，即将开始训练

四、开始训练

训练有两种方式，一种是命令行训练，一种是代码训练，我个人更倾向代码训练，这样方便我找训练好的权重文件，这里两种方式都给出了

方法一：命令行训练

yolo task=detect mode=train model=yolov8n.yaml data=cat.yaml epochs=300 batch=1

以上参数解释如下：

task：选择任务类型，可选[‘detect’, ‘segment’, ‘classify’, ‘init’]
mode: 选择是训练、验证还是预测的任务蕾西可选[‘train’, ‘val’, ‘predict’]
model:
选择yolov8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml
data: 选择生成的数据集配置文件
epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。
batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点

方法二：代码训练

from ultralytics import YOLOif __name__ == '__main__':model = YOLO(r'D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8\yolov8_test.yaml')model.train(model=r'D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt',data=r'D:\YOLOV8\ultralytics-main\Self_Code\cat.yaml', epochs=300 , imgsz=640, batch=1, workers=0,pretrained=False, save_dir=r"D:\YOLOV8\ultralytics-main\Self_Code")

是不是很简单

训练开始了

在这里插入图片描述
静静等待训练结束，看看损失函数

在这里插入图片描述

因为我这训练集只有58张图片，训练了300个epoch，明显是不够的，检测自己是大概率能检测出来，敌人和队友目前检测效果不是很好

五、实时检测

代码：

import cv2
from ultralytics import YOLO# 加载YOLOv8模型
model = YOLO(r'D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train5\weights\best.pt')# 打开视频文件
video_path = r"C:\Users\user2580185125\Desktop\5月11日.mp4"
cap = cv2.VideoCapture(video_path)# 循环遍历视频帧
while cap.isOpened():# 从视频读取一帧success, frame = cap.read()if success:# 在帧上运行YOLOv8追踪，持续追踪帧间的物体results = model.track(frame, persist=True)# 输出每次追踪推理结果的boxes，这些参数实际上是和模型直接predict类似的。print(results[0].boxes)# 在帧上展示结果annotated_frame = results[0].plot()# 展示带注释的帧cv2.imshow("YOLOv8 Tracking", annotated_frame)# 如果按下'q'则退出循环if cv2.waitKey(1) & 0xFF == ord("q"):breakelse:# 如果视频结束则退出循环break# 释放视频捕获对象并关闭显示窗口
cap.release()
cv2.destroyAllWindows()

接下来把我们训练好的模型拿来跑一跑实时检测，发现欠缺的地方还蛮多的，如果扩充训练集和epoch，模型效果应该会更好

六、模型推理，pt转换成onnx模型

ONNX的主要优势包括：

框架无关性：ONNX允许开发者在PyTorch、TensorFlow、Caffe2等多个流行框架之间自由转换模型。
优化和加速：ONNX提供了一套优化工具，可以减少模型的大小并提高执行效率，特别是在不同硬件上部署时。
广泛的支持：从云计算服务到边缘设备，ONNX都能提供良好的支持，使得模型部署变得更加灵活和广泛。

推理代码：

from ultralytics import YOLO
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train\weights\best.pt")
success = model.export(format="onnx", simplify=True)  # export the model to onnx format
assert success
print("转换成功")

七、源码

源码全部公开，感兴趣的朋友可以继续开发

在这里插入图片描述

源码链接：

百度云盘链接

链接：https://pan.baidu.com/s/1Ci5Fpx4iBXRphQhhyR4Sig 
提取码：dp18