這是目標(biāo)檢測(cè)中令人驚嘆的 AI 模型之一。在這種情況下，您無(wú)需克隆存儲(chǔ)庫(kù)、設(shè)置要求并配置模型，就像在 YOLOv5 及其之前的版本中所做的那樣。

在 YOLOv8 中，不需要執(zhí)行這些手動(dòng)任務(wù)。您只需安裝 Ultralytics 即可，我將向您展示如何通過(guò)一個(gè)簡(jiǎn)單的命令安裝它。

這是一個(gè)提升了先前 YOLO 版本成功率的模型，同時(shí)增加了新的功能和改進(jìn)，以提高性能和靈活性。YOLOv8 是進(jìn)行各種目標(biāo)識(shí)別和跟蹤、實(shí)例分割、圖像分類和姿態(tài)估計(jì)任務(wù)的理想選擇，因?yàn)樗荚诳焖?、精確且易于使用。YOLOv8 的官方網(wǎng)站如下：https://github.com/ultralytics/ultralytics/

我們可以使用該模型執(zhí)行三種類型的任務(wù)：

(1) 檢測(cè)

(2) 分割

(3) 分類

檢測(cè)

我們可以從下表中選擇任一模型進(jìn)行目標(biāo)檢測(cè)：

分割

我們可以從下表中選擇任一模型進(jìn)行圖像分割：

分類

我們可以從下表中選擇任一模型進(jìn)行圖像分類：

您可以在下面找到一個(gè)快速入門(mén)的安裝和使用示例，以及完整的培訓(xùn)、驗(yàn)證、預(yù)測(cè)和部署文檔可在 yolov8 文檔中找到（https://docs.ultralytics.com/）。

使用 YOLOv8 有兩種方式：

(1) CLI — 命令行界面

(2) Python 腳本

現(xiàn)在我將使用 Google Colab 進(jìn)行訓(xùn)練。在安裝之前，我需要連接到我的 GPU。

在上述屏幕中選擇 GPU 作為硬件加速器后，點(diǎn)擊“保存”按鈕。

掛載 Google 云硬盤(pán)，以便 Colab 可以訪問(wèn)它的文件。

點(diǎn)擊上述屏幕中的“連接到Google Drive”按鈕后，選擇掛載按鈕?，F(xiàn)在我們的筆記本已連接到Google Drive。

要測(cè)試是否獲得了GPU，請(qǐng)?jiān)贑olab上寫(xiě)入以下命令：

我們將通過(guò)下面的單個(gè)命令安裝 YOLOv8 的所有要求和依賴項(xiàng)：

現(xiàn)在安裝成功了。

它有三種模式：

(1) 訓(xùn)練模式 — 表達(dá)為 mode = train

(2) 驗(yàn)證模式 — 表達(dá)為 mode = val

(3) 預(yù)測(cè)模式 — 表達(dá)為 mode = predict

它執(zhí)行三種類型的任務(wù)：

(1) 檢測(cè) — 表達(dá)為 task = detect

(2) 分割 — 表達(dá)為 task = segment

(3) 分類 — 表達(dá)為 task = classify

測(cè)試它是否工作，運(yùn)行以下命令：

首先，它會(huì)下載模型和圖像，然后分別對(duì)圖像進(jìn)行預(yù)測(cè)。在這里，我們選擇了檢測(cè)表中的第一個(gè)模型 — yolov8n。在下面的屏幕中，我們可以看到模型和圖像已下載，并且預(yù)測(cè)的圖像已保存在 `runs/detect/predict/bus.jpg` 中。

輸入圖像：

預(yù)測(cè)的圖像：

現(xiàn)在，我將上傳一張貓的圖像到“images”文件夾進(jìn)行預(yù)測(cè)：

運(yùn)行以下命令以從圖像中檢測(cè)貓：

它成功地從圖像中預(yù)測(cè)了貓，并將其保存到 `predict2` 文件夾中。

執(zhí)行分割：

在這里，我們使用了上面表格中的第一個(gè)模型 YOLOv8n-seg：

分割后的圖像保存在 `runs/segment/predict` 中。

執(zhí)行分類：

在這里，我們使用了上面表格中的第一個(gè)模型 YOLOv8n-cls：

分類后的圖像保存在 `runs/classify/predict` 中。

開(kāi)始自定義訓(xùn)練：

我有一個(gè)準(zhǔn)備好的數(shù)據(jù)集已上傳到以下 Google Drive 鏈接：

[Google Drive 數(shù)據(jù)集鏈接](https://drive.google.com/drive/u/1/folders/1QQVa1PoaDxhFBU2GJHXWARlpMB_i-qGs)

?Google Colab 筆記本鏈接：

[Google Colab 筆記本鏈接](https://colab.research.google.com/drive/1crJsLpHzKExZBot5DhDYGmfuTdi1KBxG?authuser=1#scrollTo=YpyuwrNlXc1P)

配置 `data.yaml` 文件：（我們使用上表中的第二個(gè)模型）

這里, data = data.yaml。在 `data.yaml` 文件中，我列出了所有我的圖像路徑。因此，它將自動(dòng)從該文件夾獲取圖像和標(biāo)簽。

上述代碼的解釋：

• IPython.display：IPython 是一個(gè)增強(qiáng)型的交互式 Python shell，提供比默認(rèn) Python shell 更多功能。通過(guò) IPython.display 模塊，它是 IPython 的一個(gè)組件，您可以在 Jupyter Notebook 或 IPython 環(huán)境中直接顯示各種內(nèi)容類型（如圖片、視頻、音頻、HTML 等）。

• Image：IPython.display 模塊的 Image 類是其中的一個(gè)特殊元素。在 Jupyter Notebook 或 IPython 上下文中，它使圖像顯示變得可能。這意味著您無(wú)需在不同的軟件中打開(kāi)它們，即可直接在筆記本中顯示照片、圖片或其他圖像文件。

圖像的路徑作為輸入傳遞給 Image 類，并且 display() 函數(shù)在您的筆記本中輸出圖像。請(qǐng)注意，圖像文件需要是受支持的格式（如 JPG、PNG 或 GIF），并且需要在您的 IPython 環(huán)境或 Jupyter Notebook 中可用。

使用 IPython.display 和 Image 可以快速在筆記本中可視化圖像，使它們更具教育性和吸引力。顯示指定路徑 'runs/detect/train/' 中的名為 "confusion_matrix.png" 的圖像。

上述代碼的解釋：

• 通過(guò)上述代碼 `Image(filename='runs/detect/train/confusion_matrix.png', width=600)` 顯示 "confusion_matrix.png" 位于 'runs/detect/train/' 目錄中。通過(guò) `width=600` 選項(xiàng)將可見(jiàn)圖像的寬度設(shè)置為 600 像素。

顯示另一張名為 "confusion_matrix.png" 的圖像，位于指定路徑中：

顯示另一張名為 "val_batch0_pred.jpg" 的圖像，位于指定路徑 'runs/detect/train/' 中：

上述代碼的解釋：

• 通過(guò)上述代碼 `Image(filename='runs/detect/train/val_batch0_pred.jpg', width=600)` 顯示 "val_batch0_pred.jpg" 位于 'runs/detect/train/' 給定路徑中。通過(guò) `width=600` 選項(xiàng)將可見(jiàn)圖像的寬度設(shè)置為 600 像素。

使用訓(xùn)練好的 YOLO 模型在驗(yàn)證數(shù)據(jù)集上執(zhí)行目標(biāo)檢測(cè)：

上述代碼的解釋：

• 命令行工具 `!yolo`：命令的開(kāi)頭的 `!` 符號(hào)是 Jupyter Notebook 特有的，表示它是一個(gè)在筆記本環(huán)境中運(yùn)行的 shell 命令。

• `Yolo task=detect`：Yolo 是一個(gè)命令行工具，`task=detect` 指示它檢測(cè)對(duì)象。

• 當(dāng)將 mode 參數(shù)設(shè)置為 val 時(shí)，將使用驗(yàn)證數(shù)據(jù)集完成任務(wù)。這用于評(píng)估在應(yīng)用于新數(shù)據(jù)時(shí)訓(xùn)練的模型的性能。

• `model=runs/detect/train/weights/best.pt`：指定用于檢測(cè)的 YOLO 模型權(quán)重文件的路徑。使用了在訓(xùn)練中獲得的最佳權(quán)重（來(lái)自“train”模式）。

• `data=data.yaml`：指定包含有關(guān)數(shù)據(jù)集、類別和訓(xùn)練和評(píng)估過(guò)程中使用的其他設(shè)置的數(shù)據(jù)配置文件（data.yaml）的路徑。

使用自定義模型進(jìn)行推理

使用訓(xùn)練好的 YOLO 模型在新圖像上進(jìn)行目標(biāo)檢測(cè)

上述代碼的解釋：

• 選項(xiàng) `mode=predict` 指示該工具預(yù)測(cè)并識(shí)別提供的照片中的物體。使用它可以對(duì)新的、未使用過(guò)的照片進(jìn)行預(yù)測(cè)。

• `model=runs/detect/train/weights/best.pt`：這指示 YOLO 模型的權(quán)重文件的位置，該權(quán)重文件將用于檢測(cè)。在使用模型進(jìn)行預(yù)測(cè)之前，它必須首先在數(shù)據(jù)集上進(jìn)行訓(xùn)練。

• `conf=0.25`：對(duì)象檢測(cè)的置信度閾值設(shè)置為 0.25。輸出將顯示任何置信度大于 0.25 的檢測(cè)到的對(duì)象。

• `source=test/images`：`source=test/images` 標(biāo)識(shí)包含用于目標(biāo)檢測(cè)的圖像的目錄。在這個(gè)例子中，工具將在存儲(chǔ)在 test/images 目錄中的照片中找到對(duì)象。

·? END? ·

HAPPY?LIFE

本文僅供學(xué)習(xí)交流使用，如有侵權(quán)請(qǐng)聯(lián)系作者刪除文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-789825.html