21、计算机视觉中的YOLO系列模型应用

计算机视觉中的YOLO系列模型应用

在计算机视觉领域，YOLO系列模型凭借其高效、准确的特点，在目标检测、实例分割、人体姿态估计等多个任务中发挥着重要作用。本文将详细介绍YOLOv7和YOLOv8、YOLOv9、YOLO - World等模型在不同任务中的应用。

1. YOLOv7模型训练与测试

YOLOv7模型在MNIST4yolo数据集上进行训练，训练结果如图8.1所示。在召回 - 精确率曲线的空白中心是一个混淆矩阵，右下角的黑白图像是使用最后一次训练的权重文件对图像（0614.jpg）进行检测得到的。训练大约耗时12小时。在VS Code终端中使用以下命令，可以得到图8.1右下角带有数字的黑白图像：

python detect.py -weights best6MNIST.pt -conf 0.4 -img-size 448 -view-img -source 0614.jpg

训练好的YOLOv7模型对MNIST4yolov7数据集有效。然而，当在纸上书写数字，并将上述DOS命令中的源改为0时，训练好的模型无法识别手写数字。但将MNIST4yolov7图像复制到手机上，在手机屏幕上显示图像并让笔记本电脑的摄像头捕捉，模型则能正常工作。此外，YOLOv7模型对国际象棋数据集的训练效果很好，仅需300个训练周期，就能得到不错的训练结果。你可以从Rob Mulla发布的YouTube视频（ 链接 ）中学习如何使用YOLOv7训练自己的数据集。 </