基于YOLOv8实现XRay下的异常物品检测：从数据集到检测过程

烧技湾

已于 2024-10-10 15:29:16 修改

阅读量808

点赞数 5

分类专栏： AI & Computer Vision 文章标签： YOLO X光违禁品检测

于 2024-07-25 19:10:57 首次发布

本文链接：https://blog.youkuaiyun.com/wqthaha/article/details/140645635

版权

AI & Computer Vision 专栏收录该内容

82 篇文章

订阅专栏

前言

在公共出行领域，安全检测已成为不可或缺的一环。实现对危险物品的智能检测，不仅能够提升安全水平，也是保障公众安心出行的关键。随着技术的进步，智能算法的应用已成为实现这一目标的重要手段。通过精准的算法分析，我们能够快速识别并拦截潜在的威胁，为乘客提供一个更加安全、可靠的出行环境。

在这里插入图片描述

一、准备工作

SIXRay数据集下载（YOLO格式）：

#数据集下载连接：
https://github.com/MeioJane/SIXray

（YOLOv8的安装可以参考之前的博客）

二、进行训练

首先创建一个读取数据集的yaml文件，我的命名为SIXRay.yaml，具体代码如下：

path: ../data/SIXRay 
train: 
  train/images
val: 
  valid/images
test: 
  test/images
nc: 6 #标签数量
names: ['gun', 'knife', 'wrench', 'pliers', 'scissors', 'hammer']

相关文件夹的位置需要根据自己所方位置进行修改

然后写一个运行脚本的python文件，我的命名为trainSIXRayYOLOv8.py，具体代码如下：

rom ultralytics import YOLO
model = YOLO(model='yolov8n.pt')
model.train(
            data='SIXRay.yaml', 
            epochs=100, 
            batch=16, 
            imgsz=640)

可以根据自己电脑配置对batch进行修改。

结果：

100 epochs completed in 0.488 hours.

Validating /home/wqt/Projects/NEU-DET-with-yolov8/runs/detect/train7/weights/best.pt...
Ultralytics YOLOv8.2.31 🚀 Python-3.8.19 torch-2.3.1+cu121 CUDA:0 
(NVIDIA GeForce RTX 4090, 24209MiB)
Model summary (fused): 168 layers, 3006818 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95):
                   all       1662       3176      0.923      0.838      0.904      0.664
                   gun        551        888      0.953       0.95      0.975      0.759
                 knife        291        442      0.921      0.801      0.885      0.634
                wrench        794       1110       0.93      0.823      0.916      0.664
                pliers        178        206      0.935      0.835      0.886      0.632
              scissors        392        530      0.875      0.782      0.858      0.633
Speed: 0.1ms preprocess, 0.2ms inference, 0.0ms loss, 0.3ms postprocess per image
Results saved to /home/wqt/Projects/NEU-DET-with-yolov8/runs/detect/train7

数据增强

     Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
    100/100       2.1G     0.9823     0.5742      1.179         17        640
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all       1662       3176      0.921       0.83      0.904      0.619

100 epochs completed in 0.527 hours.

Validating /home/wqt/Projects/NEU-DET-with-yolov8/runs/detect/train8/weights/best.pt...
Ultralytics YOLOv8.2.31 🚀 Python-3.8.19 torch-2.3.1+cu121 
CUDA:0 (NVIDIA GeForce RTX 4090, 24209MiB)
Model summary (fused): 168 layers, 3006818 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all       1662       3176      0.914      0.835      0.903       0.62
                   gun        551        888      0.962      0.955      0.986      0.731
                 knife        291        442      0.921      0.788      0.873      0.588
                wrench        794       1110      0.924      0.833      0.917      0.613
                pliers        178        206      0.929      0.859       0.91        0.6
              scissors        392        530      0.832      0.739       0.83      0.567
Speed: 0.1ms preprocess, 0.3ms inference, 0.0ms loss, 0.4ms postprocess per image
Results saved to /home/wqt/Projects/NEU-DET-with-yolov8/runs/detect/train8