1.环境安装
- conda安装（miniconda），配置环境变量
- 创建环境
conda create -n yolo python==3.8
- 安装ultralytics
conda activate yolo
pip install ultralytics
2.数据集标注
- 使用labelimg标注工具对图片进行标注：
- 将标注产生的xml转为txt文件
txt格式：
类别索引
0 0.3107142857142857 0.184981684981685 0.05285714285714286 0.19047619047619047
- 将原始图片和转换后的txt放到同一个文件夹下（这里没有区分train，val和test）
3.训练
- 准备yml文件：
# 项目中数据集的目录
path: C:\Users\lhq\Desktop\traffic_check\data\dataset
# 训练、验证、测试的文件夹地址
train: train
val: train
test: train
# 标注中有多少类就填多少，（索引应与转换为txt的顺序一致）
names:
0: 亮
- 训练代码：
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(data='traffic.yaml', epochs=100, imgsz=640, device='cpu')
-
训练结果
使用训练好的模型文件对图片进行检测：from ultralytics import YOLO import cv2 model = YOLO('best.pt') #训练产生的模型文件 results = model('demo.jpg') # 要检测的图片 image = results[0].plot() cv2.imwrite(filename = "result.jpeg", img = image )
4.pt转onnx
from ultralytics import YOLO
model = YOLO('best.pt')
model.export(format = "onnx")
5.使用onnx进行检测
…
