2023APMCM赛后总结——基于yolov8的苹果检测

最新推荐文章于 2025-05-13 19:13:45 发布
最新推荐文章于 2025-05-13 19:13:45 发布
阅读量323 收藏 4
点赞数
分类专栏： 数学建模 文章标签： YOLO 数学建模 计算机视觉
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/m0_63080775/article/details/134683715
版权

提示：可能会有错误，欢迎指出

文章目录

前言

第三次打数学建模比赛。
这次的APMCM的A题的题目是水果采摘机器人的图像识别，之前在妈妈杯也碰到了计算机视觉的题目，但是出于畏惧选了另一个更难的。于是这次不逃避了，直接冲。
项目地址
在这里插入图片描述

提示：以下是本篇文章正文内容，下面案例可供参考

一、环境搭建

注意：先去官网根据自己的系统安装pytorch，再安装ultralytics。

certifi==2022.12.7
charset-normalizer==2.1.1
colorama==0.4.6
coloredlogs==15.0.1
contourpy==1.2.0
cycler==0.12.1
filelock==3.9.0
flatbuffers==23.5.26
fonttools==4.45.0
fsspec==2023.4.0
humanfriendly==10.0
idna==3.4
Jinja2==3.1.2
kiwisolver==1.4.5
MarkupSafe==2.1.3
matplotlib==3.8.2
mpmath==1.3.0
networkx==3.0
numpy==1.24.1
onnx==1.15.0
onnxruntime==1.16.3
opencv-python==4.8.1.78
packaging==23.2
pandas==2.1.3
Pillow==9.3.0
protobuf==4.25.1
psutil==5.9.6
py-cpuinfo==9.0.0
pycocotools==2.0.7
pyparsing==3.1.1
pyreadline3==3.4.1
python-dateutil==2.8.2
pytz==2023.3.post1
PyYAML==6.0.1
requests==2.28.1
scipy==1.11.4
seaborn==0.13.0
six==1.16.0
sympy==1.12
thop==0.1.1.post2209072238
torch==2.1.1+cu121
torchaudio==2.1.1+cu121
torchvision==0.16.1+cu121
tqdm==4.66.1
typing_extensions==4.4.0
tzdata==2023.3
ultralytics==8.0.216
urllib3==1.26.13

二、问题1 和 问题二：数苹果 和 苹果位置

基于附件1中提供的可收获苹果图像数据集，提取图像特征，建立数学模型，统计 每张图像中的苹果数量，并绘制附件1中所有苹果分布的直方图。
基于附件1中提供的可采摘苹果图像数据集，以图像左下角为坐标原点，识别每个图像中苹果的位置，绘制附件1中所有苹果几何坐标的二维散点图。

训练模型

我用的数据集是roboflow上的农业苹果数据集
训练代码如下

from ultralytics import YOLO
import multiprocessing

def main():
    # 加载模型
    model = YOLO('yolov8n.pt')  # 加载预训练模型（推荐用于训练）

    # 训练模型
    model.train(data='./final/question1/Apple Vision.v9-applevision-larger-set-80-20-10-split.yolov8/data.yaml', epochs=10, imgsz=640 ,resume=False)

    # 保存训练后的模型为'apple.pt'
    model.export(format='onnx')
if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()

训练后将会在./runs/detect/train/weights目录下出现训练的模型best.oxxn

使用模型

from ultralytics import YOLO
import multiprocessing
from PIL import Image
import os
import csv
import matplotlib.pyplot as plt

def plot_apple_positions(apple_positions, image_name, output_folder='./pic/scatter/'):
    # 将坐标拆分成两个列表，分别存储 x 和 y 坐标
    x_coordinates = [box[0] for box in apple_positions]
    y_coordinates = [180 - box[1] for box in apple_positions]  # 调整坐标系

    # 绘制散点图
    plt.scatter(x_coordinates, y_coordinates, marker='o', color='red')
    plt.title('Apple Positions')
    plt.xlabel('X Coordinate')
    plt.ylabel('Y Coordinate')
    # 设置坐标轴的范围
    plt.xlim(0, 270)  # 横坐标范围
    plt.ylim(0, 180)  # 纵坐标范围

    # 保存散点图
    scatter_file_path = os.path.join(output_folder, f'{image_name}.png')
    plt.savefig(scatter_file_path)

    plt.show()

def main():
    # 加载模型
    model = YOLO('./runs/detect/train5/weights/best.onnx')  # 加载官方模型

    # 图片文件夹路径
    image_folder = './Attachment 1/'

    # 检测结果保存文件夹路径
    output_folder = './runs/predict/'
    os.makedirs(output_folder, exist_ok=True)

    # 获取图片文件列表
    image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.jpeg', '.png'))]

    # 用于保存结果的 CSV 文件
    csv_file_path = os.path.join(output_folder, 'count.csv')


    with open(csv_file_path, 'w', newline='') as csvfile:
        # 定义 CSV 写入对象
        csv_writer = csv.writer(csvfile)

        # 写入 CSV 头部
        csv_writer.writerow(['图片序号', '苹果个数'])
        # 循环处理每张图片
        for i, image_file in enumerate(image_files):
            image_path = os.path.join(image_folder, image_file)
            image_name = os.path.splitext(image_file)[0]
        # 使用模型进行预测
            results = model.predict(image_path, save=True)
        # 查看 Results 对象的属性
        # 打印所有属性
        # 获取检测到的苹果个数

            print("苹果个数:", len(results[0].boxes))
        # 保存绘制的图
        # 将图片序号和目标个数写入 CSV
            csv_writer.writerow([image_name, len(results[0].boxes)])
        # 提取苹果位置
        apple_positions = [(box[0], box[1]) for box in results[0].boxes.xywh]
        # 绘制二维散点图
        plot_apple_positions(apple_positions, image_name)

if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()

原始图
在这里插入图片描述

将会得到每张图片的框线图、苹果位置散点图和记录苹果数量的csv
在这里插入图片描述
在这里插入图片描述
将苹果数量可视化
在这里插入图片描述
当然，位置图片也可以通过如下代码，绘制三维分布图

import pandas as pd
from ultralytics import YOLO
import multiprocessing
from PIL import Image
import os
import csv
import matplotlib.pyplot as plt
import os
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D


def main():
    # 加载模型
    model = YOLO('E:\code\python\APMCM\\1(1)\\train5\weights\\best.onnx')  # 加载官方模型

    # 图片文件夹路径
    image_folder = './pic/q1/'

    # 检测结果保存文件夹路径
    output_folder = './runs/predict/'
    os.makedirs(output_folder, exist_ok=True)

    # 获取图片文件列表
    image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.jpeg', '.png'))]

    # 初始化数据列表
    all_data = {'Image Name': [], 'Box Number': [], 'X Coordinate': [], 'Y Coordinate': []}

    # 循环处理每张图片
    for i, image_file in enumerate(image_files):
        image_path = os.path.join(image_folder, image_file)
        image_name = os.path.splitext(image_file)[0]
        # 使用模型进行预测
        results = model.predict(image_path, save=False)

        # 提取苹果位置
        apple_positions = [(box[0], box[1]) for box in results[0].boxes.xywh]

        # 添加数据到列表
        all_data['Image Name'].extend([image_name] * len(apple_positions))
        all_data['Box Number'].extend(list(range(1, len(apple_positions) + 1)))
        all_data['X Coordinate'].extend([box[0] for box in apple_positions])
        all_data['Y Coordinate'].extend([box[1] for box in apple_positions])

    # 保存相关信息至CSV文件
    csv_file_path = os.path.join(output_folder, 'apple_positions.csv')
    df = pd.DataFrame(all_data)
    df.to_csv(csv_file_path, index=False)



if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()

此代码将所有图片中苹果位置信息，保存至一个csv
使用如下代码可视化

import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import ast
import re

# 读取CSV文件
df = pd.read_csv('./runs/predict/apple_positions.csv')

# 自定义函数，用于提取张量值
def extract_tensor_value(tensor_str):
    match = re.search(r'tensor\((.*?)\)', tensor_str)
    if match:
        return float(match.group(1))
    else:
        return None

# 应用自定义函数以提取张量值
df['X Coordinate'] = df['X Coordinate'].apply(extract_tensor_value)
df['Y Coordinate'] = df['Y Coordinate'].apply(extract_tensor_value)

# 创建3D散点图
# 创建3D散点图，调整图形大小为10x8
fig = plt.figure(figsize=(20, 16))
ax = fig.add_subplot(111, projection='3d')

# 绘制散点图
for index, row in df.iterrows():
    x = int(row['Image Name'])
    y = row['X Coordinate']
    z = row['Y Coordinate']
    ax.scatter(x, y, z)

# 设置坐标轴标签
ax.set_ylabel('Image Name')
ax.set_xlabel('X Coordinate')
ax.set_zlabel('Y Coordinate')

# 显示图形
plt.show()

得到苹果位置三维分布图

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

在这里插入图片描述

问题三 和 问题四 ：估计苹果的成熟状态 和 估计苹果的质量

基于附件1中提供的可采摘苹果图像数据集，建立数学模型，计算 每张图像中苹果的成熟度，并绘制附件1中所有苹果成熟度分布的直方图。
基于附件1中提供的可收获苹果图像数据集，以图像左下角为坐标原点，计算每幅图像中苹果的二维面积，估计苹果的质量，并绘制附件1中所有苹果的质量分布直方图。

训练模型

分别使用了苹果成熟度和苹果花朵成熟度两个数据集，分别训练，得到成熟度和花朵两个检测模型

from ultralytics import YOLO
import multiprocessing

def main():
    # 加载模型
    model = YOLO('yolov8n.pt')  # 加载预训练模型（推荐用于训练）

    # 训练模型（训练哪个用哪行）
    model.train(data='./final/question3/apple flowers.v2i.yolov8/data.yaml', epochs=10, imgsz=640 ,resume=False)
    model.train(data='./final /question3/Apple_maturity.v1i.yolov8/data.yaml/data.yaml', epochs=10, imgsz=640, resume=False)
    # 保存训练后的模型为'apple.pt'
    model.export(format='onnx')
if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()

检测成熟度

检测苹果颜色成熟度

检测
from ultralytics import YOLO
import multiprocessing
from PIL import Image
import os
import csv
import matplotlib.pyplot as plt


def plot_apple_positions(apple_positions, image_name, output_folder='./pic/scatter/'):
    # 将坐标拆分成两个列表，分别存储 x 和 y 坐标
    x_coordinates = [box[0] for box in apple_positions]
    y_coordinates = [180 - box[1] for box in apple_positions]  # 调整坐标系

    # 绘制散点图
    plt.scatter(x_coordinates, y_coordinates, marker='o', color='red')
    plt.title('Apple Positions')
    plt.xlabel('X Coordinate')
    plt.ylabel('Y Coordinate')
    # 设置坐标轴的范围
    plt.xlim(0, 270)  # 横坐标范围
    plt.ylim(0, 180)  # 纵坐标范围

    # 保存散点图
    scatter_file_path = os.path.join(output_folder, f'{image_name}.png')
    plt.savefig(scatter_file_path)

    plt.show()
def main():
    # 加载模型（使用苹果颜色模型） 
    model = YOLO('./runs/detect/train3/weights/best.onnx')  # 加载官方模型

    # 图片文件夹路径
    image_folder = './Attachment 1/'

    # 获取图片文件列表
    image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.jpeg', '.png'))]

    # 循环处理每张图片
    for i, image_file in enumerate(image_files):
        image_path = os.path.join(image_folder, image_file)
        image_name = os.path.splitext(image_file)[0]
        # 使用模型进行预测
        results = model.predict(image_path, save=False)
        #results[0].save_txt('./q3/image_name_flower.txt')
        results[0].save_txt('./q3/image_name.txt')
        # 查看 Results 对象的属性
        # 打印所有属性
        # 获取检测到的苹果个数

        print("苹果个数:", len(results[0].boxes))
    # 保存绘制的图
    # 提取苹果位置
    apple_positions = [(box[0], box[1]) for box in results[0].boxes.xywh]
    # 绘制二维散点图
    plot_apple_positions(apple_positions, image_name)

if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()
绘图
import os
import matplotlib.pyplot as plt


def get_maturity_counts(dir_path):
    maturity_counts = {0: 0, 1: 0 ,2: 0}
    file_list = os.listdir(dir_path)
    for file_name in file_list:
        if file_name.endswith(".txt"):
            file_path = os.path.join(dir_path, file_name)
            with open(file_path, 'r') as file:
                lines = file.readlines()
                for line in lines:
                    maturity = int(line.strip().split()[0])
                    if maturity in maturity_counts:
                        maturity_counts[maturity] += 1
    return maturity_counts


def plot_maturity_counts(maturity_counts):
    maturity_levels = [ 'immature','mature','semi-mature']
    counts = [maturity_counts[0], maturity_counts[2],maturity_counts[1]]
    plt.bar(maturity_levels, counts)
    plt.xlabel('Maturity Level')
    plt.ylabel('Count')
    plt.title('Maturity Distribution of All Apples')
    plt.show()


dir_path = r"./apple"  # 更改为你的txt文件路径
maturity_counts = get_maturity_counts(dir_path)
plot_maturity_counts(maturity_counts)

在这里插入图片描述

检测苹果花朵成熟度

检测
from ultralytics import YOLO
import multiprocessing
from PIL import Image
import os
import csv
import matplotlib.pyplot as plt


def plot_apple_positions(apple_positions, image_name, output_folder='./pic/scatter/'):
    # 将坐标拆分成两个列表，分别存储 x 和 y 坐标
    x_coordinates = [box[0] for box in apple_positions]
    y_coordinates = [180 - box[1] for box in apple_positions]  # 调整坐标系

    # 绘制散点图
    plt.scatter(x_coordinates, y_coordinates, marker='o', color='red')
    plt.title('Apple Positions')
    plt.xlabel('X Coordinate')
    plt.ylabel('Y Coordinate')
    # 设置坐标轴的范围
    plt.xlim(0, 270)  # 横坐标范围
    plt.ylim(0, 180)  # 纵坐标范围

    # 保存散点图
    scatter_file_path = os.path.join(output_folder, f'{image_name}.png')
    plt.savefig(scatter_file_path)

    plt.show()
def main():
    # 加载模型（使用花的模型）
    model = YOLO('./runs/detect/train3/weights/best.onnx')  # 加载官方模型

    # 图片文件夹路径
    image_folder = './Attachment 1/'

    # 获取图片文件列表
    image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.jpeg', '.png'))]

    # 循环处理每张图片
    for i, image_file in enumerate(image_files):
        image_path = os.path.join(image_folder, image_file)
        image_name = os.path.splitext(image_file)[0]
        # 使用模型进行预测
        results = model.predict(image_path, save=False)
        results[0].save_txt('./q3/image_name_flower.txt')
        #results[0].save_txt('./q3/image_name.txt')
        # 查看 Results 对象的属性
        # 打印所有属性
        # 获取检测到的苹果个数

        print("苹果个数:", len(results[0].boxes))
    # 保存绘制的图
    # 提取苹果位置
    apple_positions = [(box[0], box[1]) for box in results[0].boxes.xywh]
    # 绘制二维散点图
    plot_apple_positions(apple_positions, image_name)

if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()
绘图
import os
import matplotlib.pyplot as plt


def get_maturity_counts(dir_path):
    maturity_counts = {0: 0, 1: 0}
    file_list = os.listdir(dir_path)
    for file_name in file_list:
        if file_name.endswith(".txt"):
            file_path = os.path.join(dir_path, file_name)
            with open(file_path, 'r') as file:
                lines = file.readlines()
                for line in lines:
                    maturity = int(line.strip().split()[0])
                    if maturity in maturity_counts:
                        maturity_counts[maturity] += 1
    return maturity_counts


def plot_maturity_counts(maturity_counts):
    maturity_levels = [ 'unflowering','flowering']
    counts = [maturity_counts[0], maturity_counts[1]]
    plt.bar(maturity_levels, counts)
    plt.xlabel('Maturity Level')
    plt.ylabel('Count')
    plt.title('Maturity Distribution of All Apples')
    plt.show()


dir_path = r"./flower"  # 更改为你的txt文件路径
maturity_counts = get_maturity_counts(dir_path)
plot_maturity_counts(maturity_counts)

在这里插入图片描述

检测评估数量

主要靠评估面积进行估算

import os
import matplotlib.pyplot as plt

def calculate_masses(folder_path, k, img_width, img_height):
    masses = []
    for file_name in os.listdir(folder_path):
        if file_name.endswith('.txt'):  # 假设标签文件是txt格式
            total_area_per_image = 0
            with open(os.path.join(folder_path, file_name), 'r') as file:
                lines = file.readlines()
                for line in lines:
                    _, x_center, y_center, width, height = map(float, line.strip().split())
                    # 为了得到实际像素面积，��要用到原始图像的宽度和高度来进行反归一化
                    area = (width * img_width) * (height * img_height)
                    total_area_per_image += area
                mass = total_area_per_image * k  # 估算质量
                masses.append(mass)
                print(f'Total apple area in {file_name}: {total_area_per_image}')
    print(f'Total apple area in all images: {sum(masses)}')
    return masses

def plot_mass_distribution(masses):
    plt.hist(masses, bins=20, color='gray', edgecolor='black')
    plt.xlabel('Mass')
    plt.ylabel('Count')
    plt.title('Mass distribution of apples')
    plt.show()

folder_path = r"./labels" # 由第一问得出的评估xywh数据来计算
img_width = 270 # 替换为你的图像宽度
img_height = 185 # 替换为你的图像高度
k = 2 # 设定比例系数，此值需根据实际情况调整

masses = calculate_masses(folder_path, k, img_width, img_height)
plot_mass_distribution(masses)

在这里插入图片描述

问题5：苹果的识别

基于附件2中提供的收获水果图像数据集，提取图像特征，训练苹果识别模型，识别附件3中的苹果，并绘制附件3中所有苹果图像ID号的分布直方图。

这一问就没有啥数据集可以用了，主要是要把苹果从李子、梨、西红柿、杨桃中区分开。

数据标注

我使用的官方教程中推荐的Roboflow
在这里插入图片描述
制作了自己的数据集

训练模型

from ultralytics import YOLO
import multiprocessing

def main():
    # 加载模型
    model = YOLO('yolov8n.pt')  # 加载预训练模型（推荐用于训练）

    # 训练模型
    model.train(data='./apple.v1i.yolov8\data.yaml', epochs=10, imgsz=640 ,resume=False)

    # 保存训练后的模型为'apple.pt'
    model.export(format='onnx')
if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()

检测苹果

from ultralytics import YOLO
import multiprocessing
import os
import csv
import matplotlib.pyplot as plt
import re

def extract_image_id(file_name):
    # 从文件名中提取图片ID号
    match = re.search(r'\((\d+)\)', file_name)
    if match:
        return match.group(1)
    else:
        return None

def main():
    # 加载模型
    model = YOLO('./runs/detect/train4/weights/best.onnx')  # 加载官方模型

    # 图片文件夹路径
    image_folder = './Attachment 3/'

    # 检测结果保存文件夹路径
    output_folder = './runs/predict/'
    os.makedirs(output_folder, exist_ok=True)

    # 获取图片文件列表
    image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.jpeg', '.png'))]

    # 用于保存结果的 CSV 文件
    csv_file_path = os.path.join(output_folder, 'count_fruits.csv')

    with open(csv_file_path, 'w', newline='') as csvfile:
        # 定义 CSV 写入对象
        csv_writer = csv.writer(csvfile)

        # 写入 CSV 头部
        csv_writer.writerow(['图片ID号', '苹果个数'])

        # 用于存储所有图片的苹果个数和ID号
        apple_count_list = []

        # 循环处理每张图片
        for i, image_file in enumerate(image_files):
            image_path = os.path.join(image_folder, image_file)
            image_name = os.path.splitext(image_file)[0]

            # 使用模型进行预测
            results = model.predict(image_path, save=False)

            # 获取图片ID号
            image_id = extract_image_id(image_name)

            if image_id is not None:
                # 获取检测到的苹果个数
                apple_count = len(results[0].boxes)

                # 将图片ID号和苹果个数写入 CSV
                csv_writer.writerow([image_id, apple_count])

                # 存储苹果个数和ID号到列表中
                apple_count_list.append((int(image_id), apple_count))

        # 绘制苹果图像ID号的分布直方图
        if apple_count_list:
            image_ids, apple_counts = zip(*apple_count_list)
            plt.bar(image_ids, apple_counts)
            plt.xlabel('图片ID号')
            plt.ylabel('苹果个数')
            plt.title('苹果图像ID号的分布直方图')
            plt.show()

if __name__ == '__main__':
    multiprocessing.freeze_support()
    main()

绘图

import pandas as pd
import matplotlib.pyplot as plt


# 读取 CSV 文件
csv_file_path = './runs/predict/count_fruits.csv'
df = pd.read_csv(csv_file_path,encoding='gbk')
# 提取数据
apples = df['苹果个数']
# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] # 加入一行，解决中文不显示问题，对应字号选择如下图
plt.rcParams['axes.unicode_minus']=False # 解决负号不显示问题
# 绘制分布柱状图
plt.bar(df['图片ID号'], df['苹果个数'])
plt.xlabel('Fruit ID')
plt.ylabel('Apple Count')
plt.title('Histogram of the distribution of Fruit ID numbers')
plt.show()
#绘制分布直方图
plt.hist(apples,bins=20,alpha=0.5)
plt.xlabel('Fruit ID')
plt.ylabel('Apple Count')
plt.title('Histogram of the distribution of Fruit ID numbers')
plt.show()

在这里插入图片描述
在这里插入图片描述
可以看出，已经避开了其它水果的干扰，不是苹果的图片检测结果就是0。

结尾

这次比赛过程并不顺利，最开始是python环境一直有问题，后来是数据集找不到合适的，好在最终都解决了。
yolov8的实际体验，效果还是不错的。
以后要是还有计算机视觉的可以直接用了。

YOLOv8入门
牛肉胡辣汤
11-21 654
需要注意的是，在模型训练过程中，需要选择合适的训练策略和优化器，并设置合适的超参数，以便训练出更加准确的模型。需要注意的是，在模型推理过程中，需要选择合适的输入图像，并进行适当的预处理操作，以便提高模型的性能和泛化能力。同时，还需要对模型推理的结果进行适当的后处理和评估，以便得到更加准确的目标检测结果。需要注意的是，在准备YOLOv8的训练数据集时，需要保证数据集的多样性和代表性，以便训练出更加准确的模型。需要注意的是，在安装YOLOv8之前，需要确保已经下载了相应的镜像源上没有的安装包，以便后续使用。
芒果YOLOv8改进56：提升篇：从零开始训练 YOLOv8最新8.1版本教程说明（包含Mac、Windows、Linux端 ）同之前的项目版本代码有区别
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-24 2238
从零开始训练 YOLOv8最新8.1版本教程说明（包含Mac、Windows、Linux端 ）
YOLOv8 预览与使用指南
JasperXzy的博客
02-05 2844
YOLOv8 是最新的最先进的 YOLO 模型，可用于对象检测、图像分类和实例分割任务。YOLOv8 由 Ultralytics 开发的一个前沿的 SOTA 模型，它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。下面将分析 YOLOv8 的改进以及如何在 MSCOCO2017 数据集上训练 YOLOv8。
Yolov8教程，安装，训练，推理速度太强悍了，详细教学
热门推荐
m0_62479378的博客
05-03 3万+
小白学习使用yolov8，训练自己的数据集，并且使用yolov调用摄像头
芒果YOLOv8改进：提升篇：从零开始训练 YOLOv8最新稳定8.1版本教程说明，适用Mac、Windows、Linux端
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-25 1239
从零开始训练 YOLOv8 最新稳定8.1版本教程说明
Mac 电脑配置yolov8运行环境实现目标追踪、计数、画出轨迹、多线程
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
09-26 3611
Mac 电脑配置yolov8运行环境实现目标追踪、计数、画出轨迹、多线程；YOLO 推理测试、小数据集训练，基础版 Mac 即可满足
天池宫颈癌智能诊断赛后总结——目标检测
Alvin
01-09 3293
新年伊始，结束了这场持续两个多月的比赛。总体来说，收获蛮多，对于比赛也有了新的体会。 战绩是初赛排名12，复赛排名35，无缘决赛。 赛题背景： 数据探索性分析 解决方案 后记 赛题背景： 主办方要求综合运用目标检测、深度学习等方法对异常鳞状上皮细胞进行定位以及对宫颈癌细胞学图片分类，辅助医生进行诊断。 样本包括两大类：有目标的样本（1440个）和没有目标的样本（250个）。 其中...
2020美赛C题赛后总结之——文本预处理Pyhotn编程代码
12-22
1.背景介绍 美赛C题涉及到文本处理之间的工作，笔者学艺不精，广为搜罗了很多代码加以完善改进，封装成一个个的函数，这些函数都很有针对性，主要应用于文本预处理包括，排序、分词、获取语料库、去标点、统计词频、...
2022赛季robomaster超级对抗赛重庆理工大学飞镖电控赛后总结
11-02
【Robomaster飞镖电控赛后总结】 2022赛季的Robomaster超级对抗赛中，重庆理工大学的飞镖电控系统经历了诸多挑战。在比赛前，由于摩擦轮包胶过厚，导致摩擦轮在空转时炸掉。为了避免类似情况，团队应准备备用摩擦轮...
2020美赛C题赛后总结之——latex排版
C_P_J_M的博客
03-10 1584
1. Mcmthesis模板 Latex编辑软件中自带了mcmthesis模板。使用时只需要\document{mcmthesisi}就可以了。 点击这里可以进一步了解关于该模板的一切。 在导言区可以设置一些参数。下面我对这些参数进行一些通俗的解释。 \mcmsetup{ CTeX = true, %是不是支持中文，个人感觉就是鸡肋 tcn = 0000, %你们的控制号 pro...
yolov8超详细从配置环境到训练测试
weixin_46873015的博客
05-25 1万+
超详细，半天让你使用好yolov8代码
YOLOv8的环境配置、训练数据集（记录）
qq_49268524的博客
12-22 7683
支持最高CUDA版本号。
mac安装opencv并在vscode中配置c++环境调试推理YOLOv8网络模型
heromps的博客
06-26 1474
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。它支持多平台（包括 Windows、Linux、macOS）和多种编程语言（如 C++、Python、Java），使其成为研究、开发和部署计算机视觉应用的重要工具之一。
如何使用Yolov8训练使用——苹果及叶片病害检测数据集 苹果叶片病害数据集 共2100张，yolo格式，已划分为训练集，验证集，测试集直接用于模型训练 7个类别
2401_88441190的博客
11-13 802
如何使用Yolov8训练使用——苹果及叶片病害检测数据集 苹果叶片病害数据集 共2100张，yolo格式，已划分为训练集，验证集，测试集直接用于模型训练 7个类别
手把手调参 YOLOv8 模型之 训练｜验证｜推理配置-详解
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-14 1万+
目标检测 YOLOv8 模型之 训练｜验证｜推理部分
【YOLO】YOLOv8实操：环境配置/自定义数据集准备/模型训练/预测
qq_44703886的博客
03-30 1万+
yolov8实操
YOLOv8 来了，快速上手实操
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-07 1万+
**YOLOv8**是**YOLO**（目标检测和图像分割领域中具有高度影响力的模型）家族的最新成员。它采用了新的架构、新的卷积层和新的检测头。相比于之前的版本，它的速度和准确性都有了显著提高，因此非常适合实时目标检测。此外，**YOLOv8**支持最新的计算机视觉算法，包括实例分割，可以检测图像中的多个对象
YOLOv8初体验：检测、跟踪、模型部署
DeepDriving
03-09 7216
YOLOv8初体验：检测、跟踪、模型部署
# YOLOv3：基于 PyTorch 的目标检测模型实现
最新发布
www_pp_的博客
05-13 789
本文介绍了如何使用 PyTorch 实现 YOLOv3 目标检测模型。YOLOv3 是一种高效的单阶段目标检测算法，能够在输入图像上直接预测边界框和类别概率，适用于实时检测任务。文章首先简要介绍了 YOLOv3 的特点，包括单阶段检测、多尺度检测和高效率。接着，详细说明了实现 YOLOv3 所需的环境准备和代码实现步骤，包括导入必要的库、构建模块列表、实现上采样层和空层等。通过本文，读者可以了解如何从零开始构建 YOLOv3 模型，并掌握其核心实现细节。
yolov8变电站训练数据集
01-23
对于使用YOLOv8模型进行变电站场景下的目标检测任务，存在多个适用的数据集。这些数据集涵盖了不同类型的电力设施及其潜在缺陷，有助于构建高效的目标检测系统。 #### 数据集概述 一个适合的选择是包含设备异常、...
评论
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

打赏作者

paul_chen21

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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