机器视觉之yolov8：实现物体检测（vscode）

步骤一：构建工作环境

在有anaconda的条件下，创建一个虚拟环境,

#创建一个叫yolov8的虚拟还环境
conda create -n yolov8 python=3.10 -y
conda activate yolov8

进入对应目录，加载环境：

source yolov8/bin/activate（对应自己的环境变量路径）

tips：如果不想每次都source环境变量。可以打开.bashrc文件，在最后面输入

alias yolov8="source yolov8/bin/activate"

这样只需要输入yolov8,就能自主加载环境，进入虚拟环境

退出环境命令：

 deactivate

下载yoloV8：

pip install ultralytics

---

步骤二：数据集的收集和处理

• 数据集的收集分为两个部分：图像集和标注集

• 图像集的收集有两个办法：

  • 自己收集特定物体的照片，比如方块，一般照片的数量越多越好，数量越多，后续的训练时间越长，但是准确率也会更高。

  • 一个是去网上收集数据集，有一些网站是可以提供数据集的，但是如果目标 不符合的话，一般就需要自己收集了。

• 图像集的处理：一般数据集的处理就是做标注，可以使用lableme，labeling，makesense.ai，由于makesense使用比较简单，这里我就只讲这个怎么使用。

  • makesense.ai:直接使用类

    • 使用：直接去makesense，然后按照以下的步骤来：

      

      放入图像集：

    
    

    创建标签（这个随便，可以有多个）

    

    然后注意：做物体检测需要用矩形边框，只有做目标分离才需要用多边形

    

    全部标注好之后保存：

    

    

    然后解压，每个图像都可以得到一个txt文件。

• 收集好了数据集之后，就需要在工作目录中新创建一个目录（dataset），然后按照下列的的顺序构建文件夹：iamges下的train和val存放的都是图像（jpg或者png),labels下的（train，val)放的都是解压后的txt。

  

---

步骤三：模型的训练

• yaml文件的编写：

  • yaml文件主要包含几个信息:

    • 数据集的路径，要写绝对路径
    • train,val的路径，这个已经内含了dataset的路径，所以只需要直接写dataset下面的路径就行。
    • nc:表示类别
    • names：这些类别的名字

  • 示例代码：

    path: /root/yolov8/dataset       
    train: images/train              
    val: images/val
    
    nc: 1                          
    names: ['cubic']               
    
    

• 训练模型：

  • 方法一：编写py文件：

    作用：训练数据集，首先选定模型，比如yolov8n(小型且准确度高)，yolov8s(小型)，yolov8m(中型)，yolov8l(大型)，然后导入上面我们写的yaml文件，epochs表示训练的次数，次数越多代表精确度越高，相应的需要的时间也越多

  from ultralytics import YOLO
  
  model = YOLO('yolov8n.pt')  
  model.train(
      data='data_train.yaml',
      epochs=50,
      imgsz=640,
      batch=16
  )
  

  然后在终端执行

  python data_train.py(自己的py文件名称)
  

  经过一段时间，数据训练好后会保存在dataset/runs中，如下面所示：其中的best.pt则是训练好的模型，可以直接调用

  

  • 方法二：cli命令：快速训练

    yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640
    

• 注意：上面的这些数据集还有yaml，py文件都需要放在你创建的yolo目录中，注意是否在装有yolo的虚拟环境下

---

步骤四：实测

• 训练好模型后，我们可以使用这个模型来检测既定物体，下面示例读取视频的内容并进行检测，新建一个py文件

  from ultralytics import YOLO
  import os  #引入这个库，就可以调用其他文件的内容
  import cv2
  
  model_path = "/root/yolov8/runs/detect/train/weights/best.pt" #引入训练好的模型库的路径，此处注意需要更改
  
  model = YOLO(model_path)
  
  video_path = "/root/yolov8/vedio2.mp4" #视频路径  
  cap = cv2.VideoCapture(video_path)
  print("视频是否成功打开：", cap.isOpened())#检测是否正确打开
  
  width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
  height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
  fps = cap.get(cv2.CAP_PROP_FPS)
  
  out = cv2.VideoWriter("output2.mp4", cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height)) #保存处理完后的视频
  
  while cap.isOpened():
      ret, frame = cap.read()
      if not ret:
          break
  
      results = model.predict(frame, save=False, conf=0.3)
      annotated = results[0].plot()
      out.write(annotated)
      cv2.imshow("YOLOv8", annotated)
  
      if cv2.waitKey(1) & 0xFF == ord('q'):
          break
  
  cap.release()
  out.release()
  cv2.destroyAllWindows()
  
  

  效果如下：