赞
踩
目录
文心一言给出的答案:
YOLOv8是YOLO系列模型的最新版本,由Ultralytics公司在2023年1月10日开源。它是基于YOLOv5的下一个重大更新版本,目前支持图像分类、物体检测和实例分割任务。
YOLOv8采用了一种基于Anchor-Free的检测方式,即直接预测目标的中心点和宽高比例,而不是预测Anchor框的位置和大小。这种方式可以减少Anchor框的数量,提高检测速度和精度。其原理可以分为两个部分:特征提取和目标检测。特征提取部分采用了一种名为CSPDarknet的网络结构,它是一种基于Darknet的改进版本,可以有效地减少模型的参数量和计算量,同时提高特征提取的效率。目标检测部分采用了一种名为YOLOv4-Head的检测头结构,该结构包含了多个卷积层和池化层,用于对特征图进行处理和压缩,然后通过多个卷积层和全连接层,将特征图转换为目标检测结果。
此外,YOLOv8还引入了一个新的骨干网络、一个新的Anchor-Free检测头和一个新的损失函数,以进一步提升性能和灵活性。它可以在从CPU到GPU的各种硬件平台上运行,并且Ultralytics公司希望这个库不仅仅能够用于YOLO系列模型,还能支持非YOLO模型以及分类、分割、姿态估计等各类任务。
总之,YOLOv8是一种基于Anchor-Free检测方式的目标检测模型,具有更高的检测精度和更快的检测速度,并且提供了更多的新功能和改进,以提升性能和灵活性。
系统环境:win10
使用Anaconda,Anaconda的安装自行百度。
conda 23.7.4
YOLOv8
使用之前安装好的Anaconda,启动Anaconda Prompt,创建一个labelimg的python虚拟环境。
命令如下:
conda create -n labelimg python=3.8
查看命令
- # 激活labelimg虚拟环境
- conda activate labelimg
- # 安装tensorboard
- pip install labelimg
输入 labelimg 启动编辑器
labelimg运行界面
通过利用百度、bing等图片搜索引擎,搜索相关图片,在利用微信快捷键保存图片。
搜索YOLO官方推荐数据集要求
图片保存至images文件夹下,最好多建几个分类,一个分类训练效果不理想。我建立了tank、
aircraft carrier、cruiser、fighter plane、helicopter五个分类。
利用labelimg标注过程,或如何使用,自行百度。
先将标注的yolov label文件与img文件保存在同一个目录下,便于后期更改和维护,切记。
如下图所示:
将所有*.txt文件拷贝至labels目录下,labels与images在同文件目录下。
训练文件配置,保存为data.yaml
- path: ../../../data/tank/
- train: ./train/images
- val: ./valid/images
- names:
- 0: tank
- 1: aircraft carrier
- 2: cruiser
- 3: fighter plane
- 4: helicopter
-
- nc: 5
- # 训练数据集指令
- python train.py --batch-size 2 --epochs 200 --data ../../../data/tank/data.yaml --weights ./yolov5s.pt
训练过程效果图1
训练过程效果图2
通过tensorboard查看训练过程
tensorboard --logdir=runs\train\exp19
在浏览器内输入http://localhost:6006/
如下图所示
- # 测试数据集命令
- python .\detect.py --source C:/code/data/tank/test --weights ./runs/train/exp19/weights/best.pt
结果保存在 runs\detect\exp19目录下
效果图1
效果图2
效果图3
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。