yolov8目标检测

项目背景与目的

项目背景

近年来，计算机视觉技术，特别是基于深度学习的目标检测方法，在许多应用领域得到了广泛的关注和应用。YOLO（You Only Look Once）作为一种高效的实时目标检测算法，凭借其速度快、精度高的优势，在学术界和工业界都取得了显著的成果。YOLOv8是YOLO系列最新版本，融合了许多先进的技术和优化策略，进一步提升了目标检测的性能。

本项目旨在利用YOLOv8模型，开发一个集成图像和视频目标检测的桌面应用程序，帮助用户方便地进行目标检测任务。该应用程序主要针对研究人员、工程师以及其他需要进行目标检测任务的用户，提供了一种简单易用的工具，能够快速检测图像或视频中的目标，并展示检测结果。

项目目的

1. **开发一个用户友好的桌面应用程序**：
   - 利用PyQt5开发图形用户界面（GUI），使用户可以方便地导入图像和视频，进行目标检测，并查看检测结果。
   - 提供基本的图像和视频导航功能，如加载图像/视频、查看上一张/下一张图像或视频帧等。

2. **集成YOLOv8模型进行目标检测**：
   - 使用YOLOv8预训练模型进行目标检测，确保高效、准确地检测图像和视频中的目标。
   - 实现目标检测结果的可视化，将检测框和标签叠加在图像或视频帧上，帮助用户直观地了解检测结果。

3. **支持模型训练与优化**：
   - 提供训练YOLOv8模型的功能，允许用户使用自定义数据集训练模型。
   - 在训练过程中保存最佳模型，确保用户能够获取最优的目标检测模型。

4. **提供结果保存功能**：
   - 允许用户将检测结果保存为图像或视频文件，方便后续分析和处理。

项目实现

项目由两个主要部分组成：前端和后端。

前端

前端部分主要是图形用户界面（GUI）的实现，使用PyQt5开发。主要功能包括：

1. **图像和视频的加载与显示**：
   - 导入图像：允许用户选择文件夹并加载其中的所有图像。
   - 导入视频：允许用户选择视频文件并逐帧加载。
   - 显示图像和视频帧：在GUI中显示原始图像或视频帧，以及检测后的结果。

2. **检测结果的导航和查看**：
   - 上一个/下一个按钮：用于导航图像列表或视频帧。
   - 开始检测按钮：触发目标检测过程，显示检测结果。

3. **结果的保存与移除**：
   - 保存按钮：允许用户将检测结果保存为图像或视频文件。
   - 移除按钮：从当前加载的列表中移除图像或视频，清除显示内容。

4. **应用退出功能**：
   - 退出按钮：关闭应用程序。

后端

后端部分主要是YOLOv8模型的集成与目标检测的实现。主要功能包括：

1. **模型加载与预测**：
   - 加载YOLOv8预训练模型。
   - 对导入的图像或视频帧进行目标检测，生成检测结果。

2. **模型训练与优化**：
   - 使用指定的数据集和超参数进行模型训练。
   - 在训练过程中保存最佳模型。

3. **检测结果的处理与保存**：
   - 将检测结果（包括检测框和标签）叠加在图像或视频帧上。
   - 保存处理后的图像或视频文件。

 结论

通过本项目，我们希望为需要进行目标检测任务的用户提供一个高效、易用的工具。该工具不仅能够快速、准确地检测图像和视频中的目标，还支持用户根据自定义数据集训练模型，满足不同应用场景的需求。未来，我们可以进一步扩展该项目的功能，如支持更多的模型类型、优化检测速度和精度、增加更多的图像和视频处理功能等。

数据预处理方法

数据预处理是为了提高模型训练效果和加速训练过程，对数据进行的一系列处理操作。常用的数据预处理方法包括：

1. 图像缩放：

   • 将图像调整到模型输入所需的尺寸。例如，对于YOLOv8，通常将图像缩放到640x640像素。

2. 归一化：

   • 将图像像素值归一化到[0, 1]范围，提高模型的收敛速度和稳定性

标注工具

labelme

标签格式

YOLO模型的标签格式非常简单，每个标注文件对应一个图像，包含多个标注信息。每行代表一个目标，格式如下：

class_id  x_center  y_center  width  height
49      0.642859  0.0792187 0.148063 0.148062

• class_id：目标类别的ID，从0开始。
• x_center：目标边界框中心点的x坐标，相对于图像宽度进行归一化，范围为[0, 1]。
• y_center：目标边界框中心点的y坐标，相对于图像高度进行归一化，范围为[0, 1]。
• width：目标边界框的宽度，相对于图像宽度进行归一化，范围为[0, 1]。
• height：目标边界框的高度，相对于图像高度进行归一化，范围为[0, 1]。

数据来源：自行标注200条+https://github.com/ultralytics/ultralytics在gihub上面公开数据集128条

loss变化：

模型训练：

yolo detect train data=datasets/mubiao/my_data.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=50 batch=4 lr0=0.01 resume=True  

模型评估效果：

运行后参数的变化：精度，召回率......可视化

在终端中运行了训练代码，转换成一般python代码后：

from ultralytics import YOLO

def train_yolov8():
    # 加载预训练模型
    model = YOLO('ultralytics/yolov8n.pt')      #这些代码是根据终端训练模型写出详细的训练代码

    # 开始训练
    model.train(
        data='datasets/mubiao/my_data.yaml',  # 数据集配置文件路径
        model='yolov8n.yaml',                 # 模型配置文件路径
        epochs=50,                            # 训练的轮数
        batch=4,                              # 批处理大小
        lr0=0.01,                             # 初始学习率
        resume=True,                          # 是否从上次中断处恢复训练
        save_period=1                         # 每个epoch保存一次模型
    )

    # 另存为最优模型
    best_model_path = model.ckpt_path.replace('last', 'best')
    model.save(best_model_path)

if __name__ == "__main__":
    train_yolov8

以上代码就是训练完之后选择最好的模型（best）作为我们的一个项目的使用

后端：

import cv2