初学者如何在笔记本电脑上快速运行 YOLOv8 进行实时识别

随着人工智能技术的飞速进步，计算机视觉领域取得了长足的进步，物体检测、图像分割、姿态估计等任务得到了广泛的关注。YOLO（You Only Look Once）系列算法作为物体检测领域的杰出代表，以其速度快、准确率高而广受欢迎。本文将详细介绍如何在计算机上快速运行 YOLOv8 实现检测、分割和姿态估计。通过阅读本文，您将快速了解如何在 Windows 系统上安装、配置和运行 YOLOv8 进行实时识别，为实际应用打下坚实的基础。 安装环境 个人电脑：ThinkPad AMD 操作系统：Windows 11 x64 软件：Python 3.11 环境：Anaconda 1.下载Anaconda3： 网址：Download Now | Anaconda 2.安装Anaconda3 我选择的安装目录是：D:\Anaconda\Anaconda3。勾选‘将 Anaconda3 添加到我的 PATH 环境变量中’，将 Anaconda 添加到环境变量中。 3. 验证安装 请打开PowerShell并输入命令conda -V。 如果您没有看到错误： ‘conda’ 不是内部或外部命令，也不是可运行程序或批处理文件 表示安装成功。如果安装时没有将 Anaconda 添加到环境变量中，则需要手动添加 Anaconda 环境变量。 4.创建并激活虚拟环境 YOLOv8 可以使用官方提供的库，YOLOv10 的部署步骤与上述1-3步相同，详细部署说明请参考：https://github.com/THU-MIG/yolov10。 Bash #create new environment conda create -n yolo8test python==3.8 #activate environment conda activate yolo8test # Install the ultralytics package from PyPI pip install ultralytics   不同模型性能比较 官网提供了多种尺寸的YOLOv8模型，参数对比如下表： 参数解释 以YOLOv8分割对象分割模型为例，这些模型的复杂度、参数数量、计算要求、准确率、速度等各有不同，适用于不同的应用场景。 物体检测 代码： Python import cv2 import time import torch from ultralytics import YOLO # load YOLOv8n model = YOLO('yolov8n.pt') cap = cv2.VideoCapture(0) if not cap.isOpened(): print("error") exit() width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) prev_time = 0 fps = 0 while True: ret, frame = cap.read() if not ret: print("error") break results = model(frame, device='cpu') for result in results: boxes = result.boxes.xyxy.cpu().numpy() confidences = result.boxes.conf.cpu().numpy() class_ids = result.boxes.cls.cpu().numpy().astype(int) for i in range(len(boxes)): box = boxes[i] x1, y1, x2, y2 = map(int, box[:4]) confidence = confidences[i] class_id = class_ids[i] label = result.names[class_id] cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, f'{label} {confidence:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36, 255, 12), 2) curr_time = time.time() fps = 1 / (curr_time - prev_time) prev_time = curr_time cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow('YOLOv8n Real-time', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() 将代码保存为名为“yolov8ndet.py”的 Python 文件并运行它。 Bash python yolov8ndet.py   使用YOLOv8n模型测试性能：运行速度为7.49.   部分 代码： Bash #create new environment conda create -n yolo8test python==3.8 #activate environment conda activate yolo8test # Install the ultralytics package from PyPI pip install ultralytics 将代码保存为名为“yolov8nseg.py”的 Python 文件并运行它。 Bash python yolov8nseg.py   使用YOLOv8n模型测试性能：运行速度为5.07。   姿态估计 代码： Python import cv2 import time from ultralytics import YOLO from PIL import Image import numpy as np model = YOLO('yolov8n-pose.pt') cap = cv2.VideoCapture(0) width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) prev_time = 0 fps = 0 while True: ret, frame = cap.read() if not ret: print("error") break results = model(frame, device='cpu') for result in results: pil_image = Image.fromarray(results[0].plot()) frame = np.array(pil_image) boxes = result.boxes.xyxy.cpu().numpy() confidences = result.boxes.conf.cpu().numpy() class_ids = result.boxes.cls.cpu().numpy().astype(int) for i in range(len(boxes)): box = boxes[i] x1, y1, x2, y2 = map(int, box[:4]) confidence = confidences[i] class_id = class_ids[i] label = result.names[class_id] curr_time = time.time() fps = 1 / (curr_time - prev_time) prev_time = curr_time frame = cv2.resize(frame, (640, 480)) cv2.putText(frame, f'FPS: {fps:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow('YOLOv8n Real-time', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() 将代码保存为名为“yolov8npos.py”的 Python 文件并运行它。   Bash python yolov8npos.py 使用YOLOv8n模型测试性能：运行速度为6.87。   概括 本文详细介绍了如何在计算机上快速运行 YOLOv8，涵盖检测、分割、定向边界框 (OBB)、分类、跟踪和姿态估计等功能。通过讲解 YOLOv8 的安装、配置和使用，相信您已经掌握了这款强大工具的基本操作。在实际应用中，YOLOv8 将为您提供高效、准确的计算机视觉体验，帮助您在人工智能领域取得更好的成果。随着技术的不断进步，YOLOv8 有望在未来发挥更大的作用，为计算机视觉领域带来更多的创新和突破。 如果本文对您有所帮助，欢迎您继续关注我们的更多更新。接下来，我们将深入研究 YOLOv10 的测试，我们热切期待您的期待。