YOLO视觉学习

↪︎初步接触深度学习视觉检测，主要为学习YOLOV8为初步入门使用教程学习🫣

1. 环境配置

(发现基本上的学习历程大部分都卡在了环境搭建😭，所以我尽量把细节和流程写详细一点！)

1.1 安装miniconda

安装miniconda版本为py38windos版本:
🔹https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
【主要用于虚拟环境的配置，在python开发中都可以用的到】

1.2 虚拟环境搭建

(1) 在conda终端中新建一个名为yolov8的虚拟环境，指定python版本为3.8：conda create -n yolov8 python=3.8【指定python版本位3.8版本】
(2) 激活/切换到yolov8虚拟环境：conda activate yolov8（虚拟环境名称）

1.3 镜像源配置(主要是方便本地下载)

pypi配置国内清华镜像：（替换为长期，就是将你以后的pip安装下载的通道改为从国内的镜像来下载，大部分的库或者安装都是在国外网站，下载比较慢，所以替换镜像为清华源，还有其他的类似的阿里等等）
🔹https://mirrors.tuna.tsinghua.edu.cn/help/pypi/

1.4 pytorch环境安装

pytorch环境安装：https://pytorch.org/（注意选择合适版本）

pytorch版本选择

1.5安装ultralytics（yolov8）：

(1) 安装zip总文件：
🔹https://github.com/ultralytics/ultralytics
(2) 终端进入文件夹\ultralytics-main输入命令：pip install -e . 【后面的点要带！】
【详细介绍还是不够的话可以参考此b站视频🤗🤗】
(3) ultralytics官方文档:
🔹https://docs.ultralytics.com/zh/

2. 模型预测及训练使用

2.1 标注图片环境下载

(1) 下载labelimg：pip install labelimg
(2) 启动labelimg：labelimg

2.2 训练模型

(1) 标注完文件将文件创建好：
- Train-项目名
  - images
    - train:（存放所有照片）
    - val:（存放验证集照片）
  - labels
    - train:（存放所有标注后的.txt）
    - val:（存放验证标志.txt）
  - classes.txt（标注种类文件）
(2) 创建好放到Train-项目名文件将文件放到datasets文件夹内

(3) 写好相应的yaml文件之后开始到tarin.py文件填好相应的文件路径和名称，最后开始训练

配置.yaml文件示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


path: Train-项目名
train: images/train
val: images/val
test: #可选项

names:
0: 标注时第一个标注对象名称
1: 标注时第二个标注对象名称

nc: 对象种类个数 

train.py文件示例

1
2
3
4
5
6
7


from ultralytics import YOLO

model = YOLO('yolov8n.pt') #参考预测模型文件，如果是自己的可以放自己last.pt文件继续训练

model.train(data='配置.yaml',workers=0,epochs=50,batch=16)#后面参数可自行根据训练硬件配置选择

print("训练完成！")

(4) 训练完最终模型文件存放在runs/detect/trainxx/weights/xxx.pt

2.3 跑训练模型效果

简单使用示例代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


from ultralytics import YOLO

yolo = YOLO("./best.pt")

# 小目标检测专用配置
result =yolo(
    source="./detect_Text/Player.mp4",
    show=True,
    conf=0.05,              # 低置信度
    imgsz=1280,             # 大尺寸输入
    iou=0.4,                # 较低的IoU阈值
    max_det=100,            # 增加最大检测数量
    agnostic_nms=False,     # 类相关的NMS
    augment=True,           # 测试时增强
)

# for i in result:
#     print(i.boxes.xywh.cpu().numpy())

3. 最终训练效果展示

下面是我训练YOLOv8模型后的检测效果照片：(用的是我朋友之前在人民公园跟大爷一起踢毽子的视频，此处肖像权省略略略略😝😝😝，视频太大传不上去，又不想上传到地方托管，所以只取了其中一张照片)
第一版自主训练跑效果图视频：~~YOLOv8模型在自定义数据集上的检测效果,数据集我训练的比较少,最终的视频效果一般,后面需要的话还是增大数据训练集~~

4. 学习心得总结

🔅初步整个学习历程下来还是在配置训练环境，主要是学习到windos系统下的虚拟环境的配置，还有yolov8主要训练流程还有打标工具labelimg下载等等。详细的系统深度学习还有其他的标注工具可以参考小土堆up。后面还有更深度的具体如何实现深度学习的方法，卷积等等算法实现可以为后续深入地学习了解。还有后面如何将YOLO视觉具体应用到类似ROS上，如何视觉和底盘或者机械臂等协同工作的流程还要继续学习研究！本篇只作为初步入门学习使用YOLO😊.

【机器视觉】yolo视觉检测

yolo 深度学习智能视觉检测