本节所用是调用yolov8的函数完成预测，并使用python解析预测结果，并绘制预测结果。

其实我们可以看到应用onnx来预测确实是准确性有所降低，这里也是用的最小的模型yolov8n-pose的模型，可能用大的模型会更好。但重点是一些套路，比如onnx推理引擎的使用，opencv可视化的模版，这些套路对以后开发是很有帮助的。

本文记录一下yolov8训练目标检测模型的过程，以及其中的一些需要注意的地方。本人是yolov5直接使用的yolov8，因此本文也记录了与yolov5的训练过程不一样的地方。原创声明：如有转载请注明文章来源。入门yolov8目标检测的步骤：环境配置标注数据集，标注的报错点在这里(以YOLO标注为例)labelimg标注闪退的几种情况详解，报错IndexError: list index out o

3、你需要在标注文件夹下用txt写下以下代码，并保存bat文件。2、转到你的标注文件夹（包括json和图片）1、创建一个conda的虚拟环境。4、在终端这么输入就可以了。放在最后一个就可以了。

在VS2019的时候，生成解决方案，在release和debug文件夹中是有exe文件的，但VS2017的release和debug文件夹中是没有exe文件的。然而如下dll安装包需要放到exe文件下。这就导致了你直接放在release或者debug文件夹下在vs2017会报错。

关于条码检测方案，一共有三部曲[1] 基于Opencv+Kmeans+Zbar的条码检测与基于锐化+双边高斯滤波+Zbar的条码检测在工业光伏产线上的检测效果研究[2]大图像中的小目标检测——基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar的条码检测研究本文是最后一篇，本专题三篇是步步深入的，因此如果觉得本文比较难，可以先看前两篇。

最近项目中用到了条码检测，查阅很多资料，说用Zbar等工具检测的比较多。但是我们会发现，检测是不稳定的，Zbar是解析条码的工具包，运用好它的前提是：能够准确将条码区域提取出来，以及图像质量（分辨率、打光效果等）要把握很好。本文基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar对于条码检测进行升级，可以有效解决条码检测问题，并且速度也很高。市面上有很多条码、二维码检测的算法，最让人印

2、假设输入的图片为641*641（原本应是640*640），那么数学上将图片下采样32倍得到的为20.03*20.03，但在显示世界中不存在0.3个像素点（1、yolov5的stride为32指的是输出层的feature map是由输入图片缩放32倍得到的。），因此需要输入图片必须是32的倍数，确保最后一层的feature map大小为：整数*整数。这个地方该怎么描述？

1、25200代表着检测框的数量，比如我们取出第一个检测框a，也就是[1,1，85]，取出来之后我们解析85，前五个为box的中点坐标、长宽值以及置信，后面80我们取Max（80个类别）中最大值，类别的处于多少行对应于label class.txt别中的类是哪一类别。

千万别在函数内输入`import这种引入库的操作`，import库一律放在py前几行。真的pyinstaller是不会给你执行一遍代码再打包的好不。给你框框打包，`你要想一下你的函数是不是需要调用，pyinstaller能保证调用所有你的函数吗？`