chenyuan1111的博客

在前面两篇中，，那么这一篇我们学习一下yolo要融合进入软件中，需要了解的两个类。

增加这个值会使每一层变得更宽，意味着每一层会学习更多的特征，这样可以提高模型的表达能力，但同时也增加了计算复杂度。我们可以看到UPSsample之后特征图被放大，放大之后的图和原来Backbone中的同样尺寸的低层特征图融合，经过一系列卷积之后用作为下一个输出头的输入特征图。如果你希望模型更深，可以将其增加（例如 1.2 或 1.5），或者如果需要更浅的模型，可以将其减少（例如 0.8）。增加这个值会使网络变得更深，模型的学习能力增强，能够学习更复杂的特征，但同时也会增加计算量。

于是我查看了打开了train.py的配置文件。这个坑头有点大，我找变了所有的py文件，搜索之下没有任何。结果训练时候却报错，说找不到train.txt文件。如图所示，我将yaml文件的地址如下。，对应的yaml文件如下图所示。

千万别在函数内输入`import这种引入库的操作`，import库一律放在py前几行。真的pyinstaller是不会给你执行一遍代码再打包的好不。给你框框打包，`你要想一下你的函数是不是需要调用，pyinstaller能保证调用所有你的函数吗？`

关于条码检测方案，一共有三部曲[1] 基于Opencv+Kmeans+Zbar的条码检测与基于锐化+双边高斯滤波+Zbar的条码检测在工业光伏产线上的检测效果研究[2]大图像中的小目标检测——基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar的条码检测研究本文是最后一篇，本专题三篇是步步深入的，因此如果觉得本文比较难，可以先看前两篇。

最近项目中用到了条码检测，查阅很多资料，说用Zbar等工具检测的比较多。但是我们会发现，检测是不稳定的，Zbar是解析条码的工具包，运用好它的前提是：能够准确将条码区域提取出来，以及图像质量（分辨率、打光效果等）要把握很好。本文基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar对于条码检测进行升级，可以有效解决条码检测问题，并且速度也很高。市面上有很多条码、二维码检测的算法，最让人印象深刻的就是腾讯微信扫码——基于SSD和超分算法的二维码检测方式。

本文记录一下yolov8训练目标检测模型的过程，以及其中的一些需要注意的地方。本人是yolov5直接使用的yolov8，因此本文也记录了与yolov5的训练过程不一样的地方。原创声明：如有转载请注明文章来源。入门yolov8目标检测的步骤：环境配置标注数据集，标注的报错点在这里(以YOLO标注为例)labelimg标注闪退的几种情况详解，报错IndexError: list index out of range熟悉训练过程。

**方法一**：正常一张一张标注，标注完成之后另存一份classes.txt文件。如果打卡发现了classes.txt有误，将正确的复制回来即可。 - **方法二**：在第一张中标注所有类别，保存好第一张图片和对应的classes.txt。这样就是从一开始就确定**类别、顺序**。这也是实现**多人同时标注**，并且标注文件一致的有效手段。

其实我们可以看到应用onnx来预测确实是准确性有所降低，这里也是用的最小的模型yolov8n-pose的模型，可能用大的模型会更好。但重点是一些套路，比如onnx推理引擎的使用，opencv可视化的模版，这些套路对以后开发是很有帮助的。

本节所用是调用yolov8的函数完成预测，并使用python解析视频预测结果，并绘制。首先作者的代码跑出来效果是这样的。和yolov8提供的api跑出来不一致。这里的问题在于如果点数少于16，会被自动映射到原点。有机会再修改一下代码，或者有读者已经修改好了，可以发在评论区。但是会报错，然后网上查了一下，要加.data才可以。但是结果就是和视频跑出来的不一样了。特别注意按照源代码，这一行是。

本节所用是调用yolov8的函数完成预测，并使用python解析预测结果，并绘制预测结果。

按照这个思路，jupyter的内部环境可以理解更加清晰。并且能够熟练使用不同核心的jupyter，以满足不同的工作需求。

*总结：**我们常见的YOLO训练结束之后画出框框和关键点就是这么来的，是不是感觉清楚了yolo的某一部分还是挺开心的。我们可以看到 这个标注的json中，有label、关键点坐标等等的关键信息，我们大概知道要把这些信息提取出来然后画到图片上去。数据集来源于同济子豪兄的github，这个真的是良心，对于学习yolov8，我愿称之为最牛的yolov8资源。yolov8和yolov5的文件有着很大的区别，yolov8封装得明显是更加深了。运行完之后，你就可以尝试用这个yolov8来训练原有的coco128。