[YOLOv8] 基于yolo的原神鱼群目标检测

NorthFourta

已于 2024-01-10 15:18:18 修改

阅读量1.9k

点赞数 29

文章标签： YOLO 目标检测人工智能

于 2024-01-10 14:11:35 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_44349241/article/details/135499767

版权

原神启动！恰好把之前抽的雷神培养一下，正好没有专武，想着把鱼叉弄一下。自己又不想钓鱼，正好就试着把原神自动钓鱼项目（基于深度强化学习的原神自动钓鱼AI）复现一下，于是便有了这篇博文。

1、YOLO 环境配置

1.1 安装 CUDA 和 cudnn

参考之前写的博客，按其中步骤安装即可。这里安装的是 version 为 11.2 的cuda。

1.2 安装 pytorch-gpu

去 torch官网寻找与自己 cuda 版本相对应的 pytorch，这里我没有找到对应 cuda-11.2 版本的torch安装命令，于是选择了安装 cuda-11.1 的torch（自己安装torch的cuda版本应不能超过电脑的 cuda 版本）

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

建议先安装 torch，再安装 yolo；若先安装 yolo，系统会自行安装 torch-cpu，还需卸载

1.3 安装 YOLOv8

git 拉取 ultralytics: YOLOv8 🚀 Ultralytics 同步更新官方最新版 YOLOv8 (gitee.com):

git clone https://gitee.com/monkeycc/ultralytics.git

进入 ultralytics 目录内，安装 yolo 及相关依赖

pip install -e .

验证是否安装成功

import ultralytics
ultralytics.checks()

Ultralytics YOLOv8.0.230 � Python-3.8.8 torch-1.8.1+cu111 CUDA:0 (NVIDIA GeForce GTX 1050 Ti, 4096MiB)
Setup complete ✅ (4 CPUs, 15.9 GB RAM, 13.4/50.0 GB disk)

1.4 下载预权重

下载训练模型，推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，在gitee或者github下方readme里面，下载完成后，将模型放在主文件夹下

yolov8s.pt下载地址：yolov8s.pt

yolov8n.pt下载地址：yolov8n.pt

1.5 测试环境

yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

Speed: 0.0ms preprocess, 80.1ms inference, 3.0ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs\detect\predict
💡 Learn more at https://docs.ultralytics.com/modes/predict

2、安装数据标注工具

2.1 标注工具基本介绍

这里只介绍两种标注工具：labelimg、labelme；LabelMe和LabelImg都是用于图像标注的工具，但它们有一些不同之处：

开发者和平台：
- LabelMe：LabelMe是由麻省理工学院（MIT）开发的在线标注工具，允许用户标注图像，并支持多种标注格式。
- LabelImg：LabelImg是由Tzutalin开发的开源工具，它是一个基于Python的图像标注工具，可以在本地使用，支持多种格式的图像标注。
功能：
- LabelMe：LabelMe提供了一些高级的标注功能，如实例分割（不仅限于矩形框标注）和复杂形状标注的能力。
- LabelImg：LabelImg相对简单，适用于一般的对象检测任务，支持常见的矩形标注和类别标签。
使用场景和灵活性：
- LabelMe：适合需要更复杂标注需求（如实例分割）的项目，同时需要在线协作或访问的团队。
- LabelImg：适合简单的对象检测标注需求，更适合个人或小团队在本地使用。

选择使用哪个工具取决于你的具体需求和标注的复杂程度。如果你需要更高级的标注功能并且团队需要在线协作，LabelMe可能更适合；而如果你只需要简单的对象检测标注，LabelImg可能更加方便。这里我们只是进行简单的目标检测，选择使用LabelImg；当然你也可以选用LabelMe，注意LabelMe标注生成的文件为json，还需额外脚本将其生成txt才能用作yolo训练。

2.2 LabelMe安装

参考 GitHub主页安装：

conda create --name=labelme python=3
conda activate labelme
pip install labelme

# or install standalone executable/app from:
# https://github.com/wkentaro/labelme/releases

运行命令，启动 labelimg

labelme

2.3 LabelImg安装

参考 github主页安装步骤安装：

# GitHub官方安装步骤，可能失败
conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc
python labelImg.py
python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
----------------------------
#国内源进行安装
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple