yolov8之训练、验证、预测、导出

已于 2024-06-04 11:34:30 修改
阅读量1w 收藏 98
点赞数 15
CC 4.0 BY-SA版权
文章标签： YOLO
于 2023-09-24 15:38:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Jumy_S/article/details/133242010

y o l o v 8 之训练、验证、预测、导出 yolov8之训练、验证、预测、导出 yolov8之训练、验证、预测、导出

链接：https://pan.baidu.com/s/1_9hI8ZshNCJSMJVXNTVxbQ?pwd=1234
提取码：1234

一 YoloV8数据集制作

1.labelme的使用

2.数据集转为yolo格式

二 使用yolov8进行训练、验证、预测、导出

1.图像分类

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-cls.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/test/cat"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_path)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

训练指标说明

在这里插入图片描述

在这里插入图片描述

验证指标说明

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/test/cat"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
#model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
#results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
#model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

模型预测结果

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/val/cat"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
#model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
#model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

模型导出

在这里插入图片描述

1.导出TensorRT

TensorRT环境配置

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/val/cat"
save_predictImg_flag = True
exportType= "engine"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType)

在这里插入图片描述
在这里插入图片描述

2.导出OpenVino

OpenVino环境配置

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/val/cat"
save_predictImg_flag = True
exportType= "openvino"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType)

在这里插入图片描述

2.图像检测

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

训练指标说明

在这里插入图片描述

在这里插入图片描述

验证指标说明

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

模型预测结果

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

导出结果

1 导出TensorRT

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "engine"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

在这里插入图片描述

2 导出OpenVino

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "openvino"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

3.实例分割

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

训练指标说明

在这里插入图片描述

验证指标说明

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

模型预测结果

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

导出结果

1.导出TensorRT引擎

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "engine"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

2.导出openvino

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "openvino"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

补充：

如何解决安装Anaconda后，使用pip install 包名 安装的包未出现在Anaconda目录的sit-site-packages,而出现在C盘python的sitepackag里问题

【YOLOv10的使用】YOLOv10的训练/验证/预测/导出模型/ONNX模型的使用
静谧、淡雅
05-29 2880
YOLOv10的训练/验证/预测/导出模型/ONNX模型的使用
YOLOv8的训练、验证、预测及导出[目标检测实践篇]
ice
05-05 5万+
主要介绍如何使用YOLOv8训练自己的数据集，并进行验证、预测及导出，采用代码和指令的两种方式。
YOLOV8模型训练以及简单应用
2302_80229212的博客
06-27 940
本文介绍了如何使用Python调用YOLOv8进行目标检测，并以车牌识别为例详细讲解模型训练流程。主要内容包括： YOLOv8简介：性能优势及支持的计算机视觉任务 安装方法：通过pip或GitHub安装 基础使用：加载预训练模型进行目标检测 模型训练步骤：从数据集准备、图片标注到构建yaml配置文件 自定义模型验证：使用训练好的best.pt模型进行识别测试 位置信息获取：展示如何提取检测目标的坐标和类别信息 文章提供了网盘资源链接，包含标注工具和示例数据。该方法简单易行，适合快速实现简单物体的识别需求。
快速使用YOLOv8进行训练，以及进行预测，包括视频预测
qq_57824392的博客
07-09 3748
加载训练好的模型# 设置视频路径# 开始检测并保存结果。
yolov8训练和预测
canlynetsky的博客
09-25 1378
Ultralytics YOLOv8 是一种前沿、最先进 (SOTA) 的模型，它在之前的 YOLO 版本的成功基础上引入了新功能和改进，以提高性能和灵活性。YOLOv8 旨在快速、准确、易于使用，是广泛应用于目标检测和跟踪、实例分割、图像分类和姿态估计等任务的优秀选择。与之前的 YOLOv5 不同的是，YOLOv8 是在一个名为 Ultralytics 项目下，该项目将该团队之前制作的 YOLOv3、YOLOv5 整合到了一起，并添加了 YOLOv8。
【实战】YoloV8-训练与测试
YourMi_AI的博客
08-12 1400
数据集选用我以前自己标注的数据集。
YOLOv8 训练、验证、推理
weixin_41171614的博客
03-21 6529
YOLOv8 训练、验证、推理
【YOLOv8的使用】YOLOv8的训练/验证/预测/导出模型/ONNX模型的使用
静谧、淡雅
04-09 2874
YOLOv8的使用
YOLOv8_pose的训练、验证、预测及导出[关键点检测实践篇]
ice
05-26 1243
本文介绍了关键点检测的训练、验证、预测和导出，还有数据集划分和配置。
【YOLO系列】YOLOv8目标检测---训练、测试、推理
m0_55908255的博客
02-20 3386
源码与之前不一样，有两种方法作模型训练、验证、推理，第一种方法是在终端输入命令行(命令行未涉及到的参数就使用。文件的数量不一定等于测试集的图片数量，因为对于某一张图片可能会有漏检的情况，即一个目标也没有检测出来。之后模型验证时输出的性能指标的计算方法就是这样的，只是没有把各类别的性能指标打印出来而已)不同，模型输出不再有检测框的置信度预测值。的检测结果，后者是对应的标签图片，可以观察是否有漏检和误检的情况。cls，center_x，center_y，w，h，置信度。（1，2）：真实框的分布。
YOLOv8训练
whaosoft143ai的博客
01-18 1419
这是在YOLOv8的官方仓库上直接配置和训练yolov5的全过程。Github地址:https://github.com/isLinXu/YOLOv8_Efficient本项目基于ultralytics及yolov5等进行综合参考，致力于让yolo系列的更加高效和易用。目前主要做了以下的工作：参考https://docs.ultralytics.com/config/中的Configuration参数，分别针对train.py、detect.py、val.py等做了相应参数的配置对齐。 结合yolov5的使
YOLOV8模型训练+部署（实战）
热门推荐
AI小花猫的博客
06-07 7万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
目标检测算法——YOLOV8 快速训练指南（上手教程、自定义数据训练）
TigerZ*的博客
01-16 4万+
本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个一统（分类、检测、分割且多种模型）的框架。本文以检测为例。
YOLOv8训练自己的数据集
chairon的博客
03-20 1万+
YOLOv8训练自己的数据集，并且对网络进行修改。
YOLOV8训练
m0_56791536的博客
04-10 1504
modules.py：在里面存放着各种常用的模块，如：Conv，DWConv，ConvTranspose，TransformerLayer，Bottleneck等– tasks.py: 在里面导入了modules中的基本模块组建model，根据不同的下游任务组建不同的model。添加注意力模块只需要3步1、在对应的modules.py中添加需要的模块2、在task.py中引入modules.py中的模块，并进行适当的参数匹配。
yolov8训练
图灵追幕者博客录
11-14 1266
训练深度学习模型包括向其提供数据并调整其参数，以便其能够做出准确的预测。Ultralytics YOLOv8中的训练模式旨在充分利用现代硬件功能，对目标检测模型进行有效和高效的训练。本指南旨在涵盖使用YOLOv8强大的一组功能开始训练自己的模型所需的所有细节。
【计算机视觉】YOLOv8的测试以及训练过程（含源代码）
wzk4869的博客
07-08 5万+
【计算机视觉】YOLOv8的测试以及训练过程（含源代码）
超详细YOLOv8图像分类全程概述：环境、训练、验证与预测详解
CDBmax的博客
12-24 3万+
总结来说，该内容提供了一个完整的YOLOv8项目运行指南，包括环境搭建、数据集准备、训练、验证和预测过程的详细说明，以及各个阶段所需参数的详细列表和解释。这为需要进行YOLOv8训练图片分类任务和部署的开发人员提供了一个相对较为详细的参考。希望大家能够喜欢，如果感觉哪里写的不清楚，可以留言，我这边会积极补充。
yolov8推理 预测 验证
最新发布
06-29
在使用YOLOv8进行模型推理、预测和验证时，可以通过Python编程环境调用`ultralytics`库来实现。以下是对这些任务的具体操作方法。 ### 模型验证（Validation） 模型验证用于评估训练好的模型在验证数据集上的性能表现。可以使用`model.val()`方法来进行验证。此方法会返回一个包含各项性能指标的结果对象： ```python # 加载预训练模型 model = YOLO("yolov8n.pt") # 在验证集上评估模型性能 metrics = model.val() ``` `metrics`对象通常包含如mAP（mean Average Precision）、召回率（Recall）等关键性能指标，可用于分析模型的检测效果[^1]。 ### 模型推理（Inference） 模型推理是指将训练好的模型应用于新数据的预测过程。YOLOv8支持对图像路径、图像URL或图像数组进行推理。以下是针对图像URL的示例： ```python # 对图像进行预测 results = model("https://ultralytics.com/images/bus.jpg") ``` `results`变量中存储了预测结果，包括边界框坐标、类别标签和置信度分数等信息。可以通过遍历`results`来提取并处理这些信息[^1]。 ### 模型预测（Prediction） 在实际应用中，模型预测与模型推理非常相似，通常指的是对单个样本或者小批量样本进行预测的过程。YOLOv8通过`model()`函数直接提供预测功能，例如： ```python # 对图像进行预测 results = model("path/to/image.jpg") ``` 此外，也可以通过传递参数来控制预测的行为，例如设置置信度阈值（`conf`）、最大检测数（`max_det`）等： ```python results = model("path/to/image.jpg", conf=0.5, max_det=50) ``` 这有助于过滤掉低置信度的预测结果，提高预测的准确性和效率。 ### 模型导出（Exporting） 为了在不同的平台上部署模型，可能需要将其转换为其他格式，例如ONNX。YOLOv8提供了便捷的导出功能： ```python # 将模型导出为 ONNX 格式 success = model.export(format="onnx") ``` 导出后的模型可以在支持ONNX的环境中运行，从而实现跨平台兼容性。 ### 相关问题
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值