[YOLOv8] 用YOLOv8实现指针式圆形仪表智能读数(二)

最近研究了一个项目，利用python代码实现指针式圆形仪表的自动读数，并将读数结果进行输出，若需要完整数据集和源代码可以私信。

🍓🍓1.yolov8实现圆盘形仪表智能读数

🙋🙋2.表盘指针语义分割

🍋2.1数据准备

🍋2.2 模型选择

🍋2.3 加载分割预训练模型

🍋2.4数据组织

🍉🍉3.目标检测训练代码

传送门

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

🍓🍓1.yolov8实现圆盘形仪表智能读数

实现的效果如下：

对整个项目来说，可分为三个大步骤：

仪表目标检测
仪表表盘指针分割
计算读数

此篇主要讲解仪表表盘指针语义分割，将表盘中的刻度位置和指针位置识别出来。

🙋🙋2.表盘指针语义分割

同样采用YOLOv8n模型进行分割任务，将表盘中的刻度位置和指针位置识别任务看做是实例分割任务，用YOLOv8可以简单快速的识别出像素级刻度和指针。

🍋2.1数据准备

首先还是准备数据，我的数据集展示如下：

image:

label可视化显示如下:

其中要将label转成yolo-seg格式的txt文件，才能进行训练，具体格式如下：

txt文件的第一列仍然为类别信息，后面的数字为归一化后的每个实例要素的边界位置点，红色框里代表一个实例，类别信息可以从第一列进行区分，与目标检测的格式一致。具体可以参考官网给出的数据格式说明。

转换之后的label为：

🍋2.2 模型选择

以YOLOv8n为例，模型选择代码如下：

# Load a model
model = YOLO('yolov8n-seg.yaml')  # build a new model from YAML
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

其中yolov8n.yaml为./ultralytics/cfg/models/v8/yolov8n-seg.yaml，可根据自己的数据进行模型调整，打开yolov8n-seg.yaml显示内容如下：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8-seg instance segmentation model. For Usage examples see https://docs.ultralytics.com/tasks/segment# Parameters
nc: 2 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n-seg.yaml' will call yolov8-seg.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024]s: [0.33, 0.50, 1024]m: [0.67, 0.75, 768]l: [1.00, 1.00, 512]x: [1.00, 1.25, 512]# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f, [1024]] # 21 (P5/32-large)- [[15, 18, 21], 1, Segment, [nc, 32, 256]] # Segment(P3, P4, P5)

主要需要修改的地方为nc，也就是num_class，此处如果是自己的数据，那就要换成自己数据的类别数，因为这里数据集只有2类，所以nc=2。

如果其他的模型参数不变的话，就默认保持原版yolov8，需要改造模型结构的大佬请绕行。

🍋2.3 加载分割预训练模型

加载实例分割预训练模型yolov8n-seg.pt，可以在第一次运行时自动下载，如果受到下载速度限制，也可以自行下载好（下载链接），放在对应目录下即可。

🍋2.4数据组织

yolov8还是以yolo格式的数据为例，./ultralytics/cfg/datasets/data-seg.yaml的内容示例如下,仍然是coco格式：

# 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: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)# Classes (80 COCO classes)
names:0: person1: bicycle2: car# ...77: teddy bear78: hair drier79: toothbrush

要注意此处的names是从0开始的，如果是0-79，那上面模型选择的nc=80。这里要特别小心。

训练时的数据加载方式为：

# Train the model
results = model.train(data='data-seg.yaml', epochs=20, imgsz=640)

🍉🍉3.目标检测训练代码

准备好数据和模型之后，就可以开始训练实例分割模型了，train-seg.py的内容显示为：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n-seg.yaml')  # build a new model from YAML
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # build from YAML and transfer weights# Train the model
results = model.train(data='data-seg.yaml', epochs=20, imgsz=640)

训练完成后的结果如下：