【Ai】使用Ultralytics yolo做图片检测+使用roboflow做数据标注

最新推荐文章于 2025-07-09 14:46:06 发布

原创最新推荐文章于 2025-07-09 14:46:06 发布 · 880 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #YOLO #roboflow

机器学习与人工智能专栏收录该内容

9 篇文章

订阅专栏

本文介绍如何使用Ultralytics yolo做图片检测，如何使用roboflow做数据标注，并导出yolo格式数据集，并训练本地模型，使用训练好的模型做图片检测，并输入程序需要的结果数据。

一、什么是Ultralytics yolo

Ultralytics YOLO 是广受赞誉的 YOLO（You Only Look Once）系列目标检测模型的最新进展，由 Ultralytics 公司开发和维护。YOLO 是一种实时目标检测算法，其核心思想是将目标检测视为一个回归问题，通过单次前向传播即可同时预测图像中物体的位置和类别，具有高效性和高准确性的特点。
在这里插入图片描述

Ultralytics YOLO 的主要特点

实时性能：YOLO 系列以其高速检测能力著称，适用于需要实时处理的应用，如视频监控、自动驾驶等。
多任务支持：Ultralytics YOLO 不仅支持目标检测，还支持图像分割、姿态估计、目标跟踪和分类等多种视觉 AI 任务。
版本演进：

YOLOv5：由 Ultralytics 开发，提供多种模型规模（如 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x），以适应不同硬件需求。
YOLOv8：进一步提升了性能、灵活性和效率，支持全方位的视觉 AI 任务。
YOLOv9 & YOLOv10：引入了可编程梯度信息（PGI）和广义高效层聚合网络（GELAN）等创新方法。
YOLOv11：Ultralytics 的最新版本，在检测、分割、姿态估计、跟踪和分类等任务中提供最先进的（SOTA）性能。
易用性：Ultralytics 提供了详细的文档、预训练模型和训练脚本，支持 PyTorch 等深度学习框架，便于开发者快速部署。

应用场景

安防监控：实时检测异常行为或特定目标。
自动驾驶：检测行人、车辆和交通标志。
工业检测：产品质量检测，如电子元件焊接缺陷识别。
医疗影像：辅助诊断和分析。

二、快速入门

1、使用pip安装依赖包

安装或更新 ultralytics 运行 pip install -U ultralytics

# Install the ultralytics package from PyPI
pip install ultralytics

您还可以安装 ultralytics 直接从 Ultralytics GitHub 存储库.如果您需要最新的开发版本，这将非常有用。确保已安装 Git 命令行工具，然后运行

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

2、模型训练及使用

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

三、使用roboflow做数据标注

Roboflow 是一个专为计算机视觉开发者设计的平台，旨在简化从数据标注到模型训练和部署的全流程。它提供了一系列工具和服务，帮助用户高效地创建、管理和增强图像数据集，并支持多种主流深度学习框架（如 YOLO、TensorFlow 等）。

1、创建数据标注项目

打开 roboflow官网注册账号并登录。

输入项目名称后，点击创建项目
在这里插入图片描述

2、上传需要标注的图片

在这里插入图片描述

3、点击 Annotate 对图片进行标注

4、点击 Version 创建新的版本

可以在 preprocessing 中设置预处理步骤
在这里插入图片描述

5、下载指定格式的数据集

点击 “Download Dataset”，下载指定格式的数据集，这里选择的是“YOLOv8”，下载下来是一个zip压缩包，在yolo的Python项目中解压就可以直接用来训练模型了
在这里插入图片描述

解压zip压缩包，得到大致如下结构的文件，包含“test、train、valid”三个数据集。

训练时，只要使用目录中的data.yaml文件就可以

在这里插入图片描述

6、使用yolo训练模型

from ultralytics import YOLO

# 加载基础模型
model = YOLO('yolov8n.pt')  

# 训练模型
results = model.train(
    data='C:\\workspace\\py\\yolo_demo\\datasets\\Weixin.v7i.yolov8\data.yaml',  # 数据集配置文件
    epochs=100,                        # 训练轮次
    batch=16,                          # 批次大小
    name='custom_model'                # 实验名称
)

执行完成后，大致输出如下日志：

100 epochs completed in 0.994 hours.
Optimizer stripped from runs\detect\custom_model\weights\last.pt, 6.3MB
Optimizer stripped from runs\detect\custom_model\weights\best.pt, 6.3MB

Validating runs\detect\custom_model\weights\best.pt...
Ultralytics 8.3.99 🚀 Python-3.10.1 torch-2.6.0+cpu CPU (11th Gen Intel Core(TM) i7-11800H 2.30GHz)
Model summary (fused): 72 layers, 3,006,623 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:02<00:00,  2.79s/it]
                   all         25         61      0.879      0.921      0.964      0.784
               article         18         40      0.949      0.927      0.977      0.934
                  card          9         16      0.916      0.678      0.859      0.782
           icon_delete          1          1      0.798          1      0.995      0.398
           icon_search          3          3      0.776          1      0.995      0.912
             icon_soso          1          1      0.958          1      0.995      0.895
Speed: 5.4ms preprocess, 93.0ms inference, 0.0ms loss, 5.5ms postprocess per image
Results saved to runs\detect\custom_model

训练完成后，在目录 runs/detect/custom_model/weights/best.pt 中生成训练好的模型文件

7、使用训练好的模型探测图片

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/detect/custom_model/weights/best.pt')  # 使用最佳权重
# 或使用最后一次训练的权重
# model = YOLO('runs/detect/custom_model/weights/last.pt')

# 进行推理
results = model(['imgs/01.jpg', 'imgs/02.jpg', 'imgs/03.jpg'])

# Process results list
idx = 1
for result in results:
    boxes = result.boxes  # 包含检测边界框的方框对象
    masks = result.masks  # 包含检测掩码的掩码对象
    keypoints = result.keypoints  # 关键点对象，包含每个对象的检测关键点
    probs = result.probs  # Probs 对象，包含分类任务中每个类别的概率
    obb = result.obb  # 包含定向包围盒的 OBB 对象
    print("-" * 20)
    print(result.to_json())
    result.show()  # 显示带有推理结果注释的图像
    filname = f"result/result{idx}.jpg"
    result.save(filename=filname)  # 将注释的推理结果图像保存到文件并返回文件名
    idx = idx + 1

输出的检测结果json文件，大致如下：

[
  {
    "name": "article",
    "class": 0,
    "confidence": 0.96316,
    "box": {
      "x1": 0.0,
      "y1": 571.20105,
      "x2": 1080.0,
      "y2": 936.76697
    }
  },
  {
    "name": "article",
    "class": 0,
    "confidence": 0.93476,
    "box": {
      "x1": 0.0,
      "y1": 939.69043,
      "x2": 1080.0,
      "y2": 1365.90405
    }
  }
]