yolov8实现数竹签模型，实现自动数竹签（超详细）

yolov8训练数竹签模型

阿基米德大哥

1773人浏览 · 2024-07-07 21:26:44

阿基米德大哥 · 2024-07-07 21:26:44 发布

随着计算机视觉技术的发展，YOLO（You Only Look Once）系列算法因其高效的实时检测能力而广泛应用。YOLOv8作为最新版本，通过优化策略实现了更高效的目标检测性能。本研究基于YOLOv8，利用PyCharm训练了一个用于竹签计数的模型。该模型旨在提高计数的准确性和效率，克服传统人工计数的不足。

与传统人工计数的区别：

1、提高了生产效率和工作速度，节约了时间和成本

2、模型可以持续运行，不会因为疲劳或其他因素影响计数结果的一致性

3、避免了人工计数中可能出现的误差和漏计的问题

详细过程：

1、在github下载yolov8模型并解压后使用pycharm打开

2、下载权重文件pt后放入该项目（也是在github官网下载，往下拉找到“Models"并点击"YOLOv8n"进行下载，也可根据自己需要下载别的Model)

3、将自己相应的数据集放入项目（数据集格式有严格要求，不清楚的自行百度，我的数据集会放在文末）

如图，我的数据集为dataset,里面包括images和相应的labels（已经分为训练集和验证集）

4，修改两个yaml文件

（1）第一个时coco.yaml文件，一般位于cfg\datasets下，这里需要将数据集的路径修改为为自己的（为了不影响原来的，我这里是将该文件复制粘贴后再修改）

如下图就是修改后的yaml文件，首先path要修改为自己上一步放进来的数据集dataset的路径，train 和val 也是dataset下的,然后"names"这里表示的是类别，从0开始，我这里只是统计竹签的数目，所以只有一个类别

（2）第二个yaml文件，是yolov8.yaml,我同样是复制粘贴了一份叫"myyolov8.yaml”然后这里仅需要把“nc"，也就是类别数改为1就好，其余保持不变

5、开始训练自己的模型

当以上步骤都完成时，就可以开始训练自己的模型了。

先在项目里创建一个py文件，然后把下面代码放进去（注意要修改三个路径，一个是第二步下载的pt文件，另外两个是上一步修改的yaml文件，

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO(r"D:\Downloads\ultralytics-main (1)\ultralytics-main\ultralytics\cfg\models\v8\myyolov8.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO(r"D:\Downloads\ultralytics-main (1)\ultralytics-main\yolov8n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data=r"D:\Downloads\ultralytics-main (1)\ultralytics-main\ultralytics\cfg\datasets\mycoco128.yaml", epochs=30)

# Evaluate the model's performance on the validation set
results = model.val()

标红的三个路径需要替换为自己的，我这里epochs设置的是30.当以上都完成后，就可以开始模型的训练了。

6、运行时会提示结果保存的位置，到时候在这里便可以查看训练结果，比如f1,recall,pre等等

如下图所示，其中weights下还有一个best.pt文件，这就是我们模型在此训练集训练出来的最好权重模型，待会我们需要用这个模型来进行竹签检测

7、用训练好的模型进行预测，新建py文件，把代码放进去，这里同样需要修改三个路径

import os
import glob
from ultralytics import YOLO

# 加载模型
model = YOLO(r"D:\Downloads\ultralytics-main (1)\ultralytics-main\runs\detect\train\weights\best.pt")

# 设置预测参数
image_path = r"C:\Users\Desktop\mytest1.png"
image_name = os.path.splitext(os.path.basename(image_path))[0]  # 获取不带扩展名的文件名

# 执行预测
results = model.predict(
    source=image_path,
    show=True,  # 显示预测结果
    save=True,  # 保存预测结果
    save_txt=True,  # 保存预测结果为TXT文件
    project=r"D:\Downloads\ultralytics-main (1)\ultralytics-main\results",  # 指定保存结果的根目录
    name="predictions"  # 指定保存结果的子目录名称
)

# 查找最新生成的目录
results_dir = r"D:\Downloads\ultralytics-main (1)\ultralytics-main\results"
subdirs = [d for d in glob.glob(os.path.join(results_dir, '*')) if os.path.isdir(d)]
latest_subdir = max(subdirs, key=os.path.getmtime)  # 根据修改时间获取最新的目录

# 定义标注文件路径
txt_file_path = os.path.join(latest_subdir, "labels", f"{image_name}.txt")

# 统计TXT文件中的行数
bamboo_count = 0
if os.path.exists(txt_file_path):
    with open(txt_file_path, 'r') as file:
        bamboo_count = len(file.readlines())

print(f'竹签的数目: {bamboo_count}')