如何使用深度学习目标检测框架Yolov8训练非机动车检测数据集 训练出的权重来识别电动车 自行车 摩托车的检测 ——检测电动车违规进电梯、非机动车违停

非机动车电动车自行车数据集

电动车、电瓶车、摩托车、自行车数据，目标检测；

训练集10000，验证集3278；
yolo格式、voc格式，

标签类别及标签个数：
motor：10987
bicycle：1667
person：31129

为了使用YOLOv8训练的目标检测模型，您可以遵循以下步骤。请注意，基于通用的YOLOv8训练流程，并假设已经安装了必要的环境和依赖项。

1. 准备工作

确保您已经安装了YOLOv8及其依赖项。如果尚未安装，可以使用pip进行安装：

pip install ultralytics

2. 数据集准备

根据您的描述，数据集已准备好并划分为训练集和验证集，标注格式为YOLO和VOC两种。接下来，需要创建一个data.yaml文件来定义数据集路径和类别信息：

train: /path/to/train/images
val: /path/to/val/images

nc: 3 # 类别数量
names: ['motor', 'bicycle', 'person'] # 类别名称

3. 训练模型

使用YOLOv8命令行工具开始训练过程。下面是一个基本的训练命令示例：

yolo task=detect mode=train model=yolov8n.pt data=/path/to/data.yaml epochs=100 imgsz=640

• task=detect 指定任务类型为目标检测。
• mode=train 表示进入训练模式。
• model=yolov8n.pt 定义使用的预训练模型权重，您可以选择不同大小的模型（如yolov8s.pt, yolov8m.pt等）。
• data=/path/to/data.yaml 指向之前创建的data.yaml配置文件。
• epochs=100 设置训练周期数。
• imgsz=640 设置输入图像尺寸。

4. 关键代码片段

如果您更倾向于编程方式而非命令行工具，可以使用如下Python代码进行训练：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 开始训练
results = model.train(data='/path/to/data.yaml', epochs=100, imgsz=640)

5. 验证与测试

训练完成后，可以使用验证集评估模型性能：

yolo task=detect mode=val model=/path/to/your/trained/model.pt data=/path/to/data.yaml

或者在Python中：

results = model.val()

这将输出模型在验证集上的性能指标，如mAP值等。

创建一套基于训练好的YOLOv8权重的非机动车检测识别系统涉及几个关键步骤，包括加载模型、处理输入（视频或图像）、执行推理以及展示或保存结果。以下是一个简化的流程和示例代码，帮助您构建这样的系统。

1. 加载模型

首先，确保您的环境中已经安装了ultralytics库，并且拥有训练好的模型权重文件（.pt）。

from ultralytics import YOLO

# 加载训练好的模型权重
model = YOLO('/path/to/your/trained/model.pt')

2. 处理输入数据

您可以从图像或视频流中获取输入数据。下面分别给出处理图像和视频的示例。

图像检测

import cv2

# 读取待检测的图像
img = cv2.imread('/path/to/your/image.jpg')

# 执行推理
results = model(img)

# 解析结果并绘制边界框
for result in results:
    boxes = result.boxes.numpy()
    for box in boxes:
        r = box.xyxy
        cv2.rectangle(img, (int(r[0]), int(r[1])), (int(r[2]), int(r[3])), (0, 255, 0), 2)
        
# 展示结果图像
cv2.imshow('Detected Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

视频检测

对于实时视频流或视频文件，可以使用OpenCV来捕获每一帧进行处理。

cap = cv2.VideoCapture('/path/to/your/video.mp4') # 或者使用0作为参数以打开摄像头

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # 执行推理
    results = model(frame)
    
    # 解析结果并绘制边界框
    for result in results:
        boxes = result.boxes.numpy()
        for box in boxes:
            r = box.xyxy
            cv2.rectangle(frame, (int(r[0]), int(r[1])), (int(r[2]), int(r[3])), (0, 255, 0), 2)
    
    # 展示结果
    cv2.imshow('Frame', frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

3. 结果处理与展示

上述代码片段中已经包含了简单的结果处理逻辑，主要是解析检测结果并在原图上绘制边界框。根据实际应用场景，您可能需要进一步处理这些结果，例如计算目标的位置、速度等信息，或者在检测到特定事件时触发报警。