YOLO的使用

最新推荐文章于 2025-06-02 21:33:16 发布
最新推荐文章于 2025-06-02 21:33:16 发布
阅读量1.7k 收藏 31
点赞数 28
CC 4.0 BY-SA版权
分类专栏： 目标检测 文章标签： YOLO
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.csdn.net/qq_45100200/article/details/142331401

目录

一、安装ultralytics

二、数据集准备

三、训练代码

五、训练结果的目录结构

六、附录

1、部分参数

2、文件介绍

一、安装ultralytics

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

介绍：Ultralytics YOLO Docs --- Train - Ultralytics YOLO Docs

二、数据集准备

  • train：113个图像 + 113 个标签 （训练时使用）
  • val:  24个图像 + 24个标签文件（训练进行验证时使用）
  • test: 25个图像 + 25个标签（训练阶段不会使用）

data.yaml（只有一个normal的类别）：

names:
  0: normal
nc: 1
test: D:\YOLOv8Train\v8_train_datasets\mktk_dataset\test
train: D:\YOLOv8Train\v8_train_datasets\mktk_dataset\train
val: D:\YOLOv8Train\v8_train_datasets\mktk_dataset\val

三、训练代码

从yaml文件中新建：

from ultralytics import YOLO
 
if __name__ == '__main__':
    # 加载一个模型
    model = YOLO('yolov8n.yaml')  # 从YAML建立一个新模型
    # 训练模型
    results = model.train(
        data='D:/YOLOv8Train/v8_train_datasets/mktk_dataset/data.yaml',
        device='0',
        epochs=100,  # 训练过程中整个数据集将被迭代多少次,显卡不行你就调小点
        batch=8,  # 一次看完多少张图片才进行权重更新
        verbose=False,
        imgsz=640)

其他加载模型进行训练方式：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # 从yaml建立新模型
model = YOLO("yolov8n.pt")  # 加载预训练 (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt")  # 建立新模型并加载权重

# Train the model
results = model.train(data="coco8.yaml", epochs=100)

四、预测

from ultralytics import YOLO

model = YOLO("yolov10m.pt")

results = model.predict("image.jpg",
                        save=False,
                        save_txt=False,
                        verbose=False,
                        conf=0.75)
results[0].show()

我们还可以得到文本形式的数据：

from ultralytics import YOLO

model = YOLO("yolov10m.pt")
results = model.predict("image.jpg",
                        save=False,
                        save_txt=False,
                        verbose=False,
                        conf=0.75)
boxes = results[0].boxes
confidence, class_ids = boxes.conf,boxes.cls.int()

rects = boxes.xyxy.int()
for ind in range(boxes.shape[0]):
    print(model.names[class_ids[ind].item()],
          confidence[ind].item(),
          rects[ind].tolist())

# 输出
'''
car 0.9247599244117737 [561, 311, 719, 420]
car 0.9067108035087585 [464, 303, 554, 380]
car 0.9027121663093567 [402, 300, 481, 367]
car 0.8614686727523804 [524, 310, 592, 396]
bicycle 0.8476000428199768 [181, 321, 241, 400]
person 0.8029575347900391 [71, 271, 126, 421]
person 0.7965097427368164 [186, 278, 237, 381]
bicycle 0.7882957458496094 [111, 330, 156, 414]
'''

五、训练结果的目录结构

YOLOv8每执行一次训练，都会生成一个新的训练目录来保存结果，训练结果的目录如下：

六、附录

1、部分参数

task: detect  # 这是一个目标检测的任务
mode: train   # 当前使用的是训练模式，YOLOv8还有val，test等其它模式
model: yolov8n.yaml # 使用的模型配置（里面描述了模型的网络结构等）
data: D:/YOLOv8Train/v8_train_datasets/mktk_dataset/data.yaml # 训练使用的数据集
epochs: 100  # 训练需要迭代多少次
patience: 50  
batch: 8   # 一次看完多少张图片才进行权重更新
imgsz: 640  # 模型的图像大小
save: true  
save_period: -1
cache: false
device: '0'  # 使用0号NVIDIA GPU进行训练
workers: 8  # 数据加载的工作线程数（如果DDP则为每个RANK）
project: null
name: train2
exist_ok: false
pretrained: true
optimizer: auto
verbose: false
seed: 0
deterministic: true
single_cls: false
rect: false
cos_lr: false
close_mosaic: 10
resume: false
amp: true
fraction: 1.0
profile: false
freeze: null
overlap_mask: true
mask_ratio: 4
dropout: 0.0
val: true  # 训练期间验证/测试
split: val  # 用于验证的分割数据集，例如 'val'、'test' 或 'train'，参考data: D:/YOLOv8Train/v8_train_datasets/mktk_dataset/data.yaml
save_json: false
save_hybrid: false
conf: null
iou: 0.7  # 验证/测试中使用NMS（非极大抑制）用的交并比（IoU）阈值
max_det: 300
half: false  # 使用半精度（FP16）
dnn: false  # 使用 OpenCV DNN 进行 ONNX 推理
plots: true
source: null
vid_stride: 1
stream_buffer: false
visualize: false
augment: false
agnostic_nms: false
classes: null
retina_masks: false
show: false
save_frames: false
save_txt: false
save_conf: false
save_crop: false
show_labels: true
show_conf: true
show_boxes: true
line_width: null
format: torchscript
keras: false
optimize: false
int8: false
dynamic: false
simplify: false
opset: null
workspace: 4
nms: false
lr0: 0.01  # 初始学习率
lrf: 0.01  # 最终学习率
momentum: 0.937 #SGD动量/Adam beta1
weight_decay: 0.0005
warmup_epochs: 3.0
warmup_momentum: 0.8
warmup_bias_lr: 0.1
box: 7.5
cls: 0.5
dfl: 1.5  # dfl损失增益
pose: 12.0
kobj: 1.0
label_smoothing: 0.0
nbs: 64
hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4
degrees: 0.0
translate: 0.1
scale: 0.5
shear: 0.0
perspective: 0.0
flipud: 0.0
fliplr: 0.5
mosaic: 1.0
mixup: 0.0
copy_paste: 0.0
cfg: null
tracker: botsort.yaml
save_dir: runs\detect\train2  # 训练结果保存的目录

2、文件介绍

  • labels.jpg（标签统计图）
第1个图是训练集的数据量，每个类别有多少个第2个图是框的尺寸和数量
第3个图是中心点相对于整幅图的位置第4个图是图中目标相对于整幅图的高宽比例

  • labels_correlogram.jpg（标签相关图）

labels相关图体现标签的中心点x，y坐标以及框的高宽之间的关系。

每一行的最后一幅图代表的是x，y，宽和高的分布情况：

图（0，0）表明中心点横坐标x的分布情况；

图（1，1）图表明中心点纵坐标y的分布情况；

图（2，2）图表明框的宽的分布情况；

图（3，3）图表明框的宽的分布情况；
而其他的图则是寻找这4个变量（x，y，width，height）之间的关系。

  • args.xml（训练使用的超参数）

这个文件包含了训练使用的超参数，包括训练（train）使用参数和每次迭代完成进行验证（val）使用的参数。

  • results.png（用图像来呈现训练结果）

用图像的方式把results.txt内容呈现出来。

从0~epochs（100）次迭代过程中，重要指标的变化过程：

train/box_loss：训练中，位置误差变化过程；

train/cls_loss：训练中，类别误差变化过程；

train/dfl_loss：训练中，dfl误差变化过程；

val/box_loss：验证中，位置误差变化过程；

val/cls_loss：验证中，类别误差变化过程；

val/dfl_loss：验证中，dfl误差变化过程；

正常情况下，loss会随着迭代的次数增加，慢慢变小。

metircs/precision(B)：精度（找对的正类/所有找到的正类）；
metircs/recall(B)：真实为positive的准确率，即正样本有多少被找出来了（召回了多少）。Recall从真实结果角度出发，描述了测试集中的真实正例有多少被二分类器挑选了出来，即真实的正例有多少被该二分类器召回。

metrics/mAP50(B)：是用Precision和Recall作为两轴作图后围成的面积，m-表示平均，AP-Average Precision，50-表示正负样本的IOU阈值为0.5

metrics/mAP50-95(B)：表示在不同IOU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好），然后观察mAP50 和 mAP50-95 评价训练结果。

参考：训练结果及评估模型训练例子

YOLO使用教程
大雨的博客
08-05 3463
YOLO（You Only Look Once）是一种流行的目标检测算法，它以其快速且准确的特点在计算机视觉领域广受欢迎。以下是一个基本的YOLO使用教程，旨在帮助您了解如何开始使用YOLO进行目标检测。
0003-YOLO的使用方法
weixin_40325675的博客
10-10 1351
如果要在CUDA环境中安装，最佳做法是在同一命令中安装ultralytics、pytorch和pytorch-CUDA，以允许conda包管理器解决任何冲突，或者最后安装pytorch-CUDA，以便在必要时覆盖特定于CPU的pytorch包。Ultralytics YOLO11中的基准模式通过提供一个强大的框架来评估模型在各种导出格式下的速度和准确性，从而达到了这一目的。Ultralytics YOLO11中的导出模式提供了多种选项，可将训练好的模型导出为不同格式，使其可在各种平台和设备上部署。
YOLO使用
m0_37769093的博客
09-09 1965
第一步 下载预训练模型。 cd darknet wget https://pjreddie.com/media/files/yolov3.weights 第二步 修改网络配置文件。修改darknet/cfg/yolov3.cfg，如下，注释掉Training参数，取消注释Testing参数。 终端输入： cd cfg gedit yolov3.cfg 打开的文本中修改如下 #Testing batch=1 subdivisions=1 #Training #batch=64 #subdivision
Python----目标检测（Ultralytics安装和YOLO-V8快速上手）
weixin_64110589的博客
06-02 1654
Ultralytics提供了各种安装方法，包括pip、conda和Docker。通过 ultralytics pip包安装最新稳定版本的YOLOv8，或克隆Ultralytics GitHub 存储库以获取最新版本。可以使用Docker在隔离的容器中执行包，避免本 地安装。
yolo 简单使用
liushangkun的博客
02-28 623
http://www.cnblogs.com/minsons/p/7905473.html
yolo使用的 arial文件
04-17
当开发人员或研究者在准备关于YOLO的演示文稿、研究报告或用户界面时，可能会使用Arial字体来保持文档的专业性和一致性。 在技术和设计的角度来看，Arial字体被广泛接受的原因在于其在各种分辨率和大小下都保持了...
yolo使用入门教程.md
最新发布
07-11
YOLO使用入门教程包括以下几个重要步骤： 1. 环境准备：安装Python3.6或更高版本，安装PyTorch，克隆YOLO代码库，安装YOLO项目的依赖库。 2. 数据准备：收集图像数据，使用标注工具对图像中的目标进行标注，准备...
YOLO使用教程合集PDF·1
03-17
YOLO 以独具特色的群理念，将具有共同爱好的用户圈起来，群内互动热烈，群组之间互不干扰。注重隐私，培养同好群，让群体在YOLO 中不断沉淀、发酵。 YOLO在群视频直播的基础上实现了直播可留存分享，直播中上传“ppt...
yolo使用说明
cangqiongxiaoye的博客
08-06 1024
yolo-v5使用说明
yolo入门使用
shiwujigegea的博客
02-28 871
yolo入门使用
利用yolov3训练自己的数据集（以框取车牌为例）
04-29
一个小的数据集包含了882张汽车的图片（车牌较为清晰），其中153张图片打了标签，生成了xml文件
yolo入门之一----yolo的使用
一只小菜鸟的博客
09-29 1万+
主要参考了此链接，对此博主表示感谢~！！ https://blog.csdn.net/u012746060/article/details/81183006 但其中有一些不同之处，在这里从头到尾走一遍流程 二、快速使用 1、下载yolov3代码：https://github.com/qqwweee/keras-yolo3 ，并解压缩之后用pycharm打开。 2、下载权重：https://pjre...
yolo应用（一）--YOLO算法框架的简单使用
小熊猫的博客
07-28 1万+
YOLO即You Only Look Once,，是检测Pascal VOC（http://host.robots.ox.ac.uk:8080/pascal/VOC/）2012数据集内对象/目标的系统，能够检测出20种Pascal对象： YOLO官方框架使用C写的，性能杠杠的，YOLO算法，我就不做过多介绍了。这次笔记先简单介绍一下这个框架如何使用。 这里默认是yolo2，yolo1接近...
YOLO文章详细解读
热门推荐
Michael’s Blog
08-23 2万+
文章《You Only Look Once: Unified, Real-Time Object Detection》提出方法下面简称YOLO。 目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派： 1.两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列)， 2.一步走（one-stage）算法：直接对输入图像应用算法并输出类别和相应的定位(YOL...
使用yolo训练自己的模型
qq_45688164的博客
02-07 1万+
YOLO（You Only Look Once）是一种用于目标检测的深度学习模型，旨在实时检测图像或视频中的多个对象。与传统的目标检测方法不同，YOLO一次性处理整个图像，而不是通过滑动窗口或区域提议进行多次检测。这种方法使得YOLO在速度上具有显著优势，能够实现实时目标检测。使用yoloV5训练自己的模型。关键特点：One-shot Detection： YOLO的主要特点是一次性完成整个图像的目标检测
YOLOv8 使用教程：从入门到实战
2201_75786497的博客
02-11 1793
本文来自我的博客可以到这里看，因为我直接复制过来格式可能有点怪怪的。YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度快、精度高而闻名。YOLOv8 是 Ultralytics 公司发布的最新版本，继承了 YOLO 系列的优势，并在性能、灵活性和易用性上进行了进一步优化。无论是初学者还是有经验的开发者，YOLOv8 都提供了强大的工具和功能，帮助你快速实现目标检测任务。本教程将带你从零开始，逐步掌握 YOLOv8 的使用方法。请注意！
YoloV5的学习与使用
qq_53324833的博客
05-08 2889
Yolo V5是一种先进的单阶段目标检测算法，它在 Yolo V4 的基础上添加了一些新的改进思路，使得速度与精度都得到了极大的性能提升。以下是关于 YOLOv5 的详细介绍：网络架构：YOLOv5的目标检测算法可以划分为四个通用的模块，包括输入端、基准网络、Neck网络与Head输出端。输入端负责接收图片，该网络的输入图像大小通常为608*608，会经过图像预处理阶段，如缩放和归一化。
使用YOLO V5训练自动驾驶目标检测网络
williamhyin的博客
07-31 6343
YOLO V5 模型结构及迁移学习 YOLO 是一种快速紧凑的开源对象检测模型，与其它网络相比，同等尺寸下性能更强，并且具有很不错的稳定性，是第一个可以预测对象的类别和边界框的端对端神经网络。YOLO 家族一直有着旺盛的生命力，从YOLO V1一直到”V5“，如今已经延续五代，凭借着不断的创新和完善，一直被计算机视觉工程师作为对象检测的首选框架之一。 Ultralytics于5月27日发布了YOLOv5 的第一个正式版本，其性能与YOLO V4不相伯仲，是现今最先进的对象检测技术之一，并在推理速度上是目前
from ultralytics import YOLO # Load a model model = YOLO("v11320.onnx")
03-23
<think>好的，我现在需要处理用户关于从Ultralytics导入YOLO模型的问题，特别是加载"v11320.onnx"文件的代码。首先，我得确认用户的问题点在哪里。用户可能在使用YOLO库时遇到了问题，或者想了解这段代码的具体作用。 首先，我需要回忆一下Ultralytics YOLO的文档。YOLO类通常用于加载预训练的模型，支持的格式包括PyTorch的.pt文件和ONNX格式。用户在这里导入了YOLO并尝试加载一个.onnx文件，这可能涉及到模型导出或推理的步骤。 接下来，用户的具体代码是model = YOLO("v11320.onnx")。正常情况下，YOLO的加载函数是否支持直接加载ONNX模型？根据我的知识，通常需要先导出模型到ONNX格式，然后可能使用不同的方式进行推理。例如，使用YOLO导出ONNX后，可能需要使用ONNX Runtime来运行，而不是直接通过YOLO类加载。因此，用户可能在直接加载ONNX时遇到错误，比如提示文件格式不支持。 可能的错误原因包括：YOLO的load方法是否支持ONNX作为输入，或者用户是否混淆了导出和加载的步骤。比如，正确的流程应该是先加载.pt模型，然后导出为ONNX，再用ONNX Runtime加载。如果用户直接尝试加载ONNX，可能会遇到问题，因为YOLO类可能预期的是PyTorch模型。 另外，文件名"v11320.onnx"可能是一个自定义的导出文件，我需要确认是否正确导出。例如，用户是否使用了export方法，指定了正确的参数，比如format='onnx'，并且没有在导出过程中出现错误。 我还需要考虑用户的运行环境，是否安装了必要的依赖库，比如onnxruntime，因为如果没有安装，即使正确加载了ONNX模型，后续的推理也可能失败。 总结用户可能的问题：加载ONNX模型的方式是否正确，是否需要使用不同的库进行加载，导出步骤是否正确，或者是否存在环境依赖的问题。 接下来，我需要组织回答的结构。首先解释代码的作用，然后指出潜在的问题，再提供正确的步骤，比如如何导出ONNX模型和使用ONNX Runtime进行推理。同时，提醒用户检查文件路径是否正确，依赖是否安装，以及导出过程中的注意事项。 可能还需要提到Ultralytics YOLO的最新版本是否有变化，比如是否支持直接加载ONNX，或者是否有其他方式加载。比如，有些情况下，YOLO可能支持加载ONNX，但需要相应的后端支持，或者可能需要使用不同的类或方法。 最后，确保回答清晰，分步骤说明，帮助用户排查问题，并给出示例代码，比如如何正确导出和加载ONNX模型，以及相关链接或文档参考。</think>以下是对代码 `from ultralytics import YOLO; model = YOLO("v11320.onnx")` 的逐步解析： --- ### **1. 导入YOLO类** ```python from ultralytics import YOLO ``` - **作用**：从Ultralytics库中导入YOLO类。YOLO类封装了模型加载、训练、验证、推理等功能。 - **注意事项**： - 需提前安装 `ultralytics` 库：`pip install ultralytics` - 确保Python版本 >= 3.8。 --- ### **2. 加载模型** ```python model = YOLO("v11320.onnx") ``` - **作用**：尝试加载名为 `v11320.onnx` 的ONNX格式模型。 - **关键点**： 1. **ONNX模型支持性**： - Ultralytics YOLO **原生支持PyTorch模型**（`.pt` 或 `.pth` 文件）。 - 直接加载ONNX模型需要**额外依赖**（如`onnxruntime`库），且可能仅支持推理（不支持训练/微调）。 2. **常见错误**： - 若未安装 `onnxruntime`，会报错：`ModuleNotFoundError: No module named 'onnxruntime'` - 若ONNX模型未正确导出，会报错：`RuntimeError: Failed to load ONNX model` --- ### **3. 正确使用ONNX模型的流程** #### **步骤1：导出PyTorch模型为ONNX** ```python from ultralytics import YOLO # 加载原生PyTorch模型（.pt文件） pt_model = YOLO("yolov8n.pt") # 导出为ONNX格式 pt_model.export(format="onnx", imgsz=640) ``` - 导出后会生成 `yolov8n.onnx` 文件。 - 导出参数需与模型兼容（如输入尺寸 `imgsz`）。 #### **步骤2：使用ONNX模型推理** ```python import onnxruntime # 加载ONNX模型 session = onnxruntime.InferenceSession("yolov8n.onnx") # 准备输入数据（示例） import numpy as np input_data = np.random.rand(1, 3, 640, 640).astype(np.float32) # 运行推理 outputs = session.run(None, {"images": input_data}) ``` --- ### **4. 你的代码潜在问题** - **直接加载ONNX的限制**： - Ultralytics YOLO的 `YOLO()` 方法可能无法直接兼容ONNX的某些特性（如动态输入尺寸）。 - 建议使用ONNX Runtime或OpenCV的DNN模块加载ONNX模型。 - **文件路径问题**： - 确保 `v11320.onnx` 文件存在于当前工作目录中，或提供完整路径（如 `r"C:\models\v11320.onnx"`）。 --- ### **5. 验证模型是否加载成功** ```python if model is not None: print("模型加载成功！") else: print("模型加载失败，请检查路径或格式。") ``` --- ### **总结** - **推荐做法**： 1. 使用 `.export()` 导出ONNX模型。 2. 通过 `onnxruntime` 加载ONNX并推理。 - **替代方案**： - 若需直接使用YOLO接口，建议加载PyTorch模型（`.pt` 文件）。 如需进一步调试，请提供具体的错误信息！
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

清纯世纪

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