当前位置：首页 > backend >正文

opencv+yolov8n图像模型训练和推断完整代码

backend 2025/8/28 6:01:21

#加载与训练模型
#安装三方库：ultralytics
#导包：from ultralytics import YOLO

from numpy.__config__ import show
from ultralytics import YOLO
#1.'加载模型
#2.检测目标
#加载预训练模型
#官方提供的基础测试和训练模型
#首次运行自动下载。
a1 = YOLO('yolov8n.pt')
#2.检测目标
#show=True 显示检测结果
#save=True,保存检测结果
a1('2.jpg',show = True,save = True)

#检测网络图片

from ultralytics import YOLO

a1 = YOLO('yolov8n.pt')

a1('mv.jpg',show = True,save = True)

#准备数据集结构文件

#跟目标创建1个文件夹（可自定义名称）
#下面创建再2个文件夹（images和labels)
#images和labels 下再分别创建2个文件夹（train和val)
#images下的train和val 芳入训练图片（png,jpg)
#labels下的train和val 放入图片标注(txt)

数据训练和标注

#准备数据集配置文件

#创建1个yaml格式的文件（可自定义名称）
#配置数据集信息、用于训练模型

path: C:\Users\HR0432\source\repos\robot\robot\xun #数据集根目录
train: images/train #训练集图片路径
val: images/val #验证集图片路径
nc: 3 #类别数量
names: ['正常','发黑','爆点'] #类别名称

#开始模型训练
import sys
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')

from ultralytics import YOLO
import matplotlib
matplotlib.use('Agg') # 寮哄埗浣跨敤闈炰氦浜掑紡鍚庣

#加载预训练模型
a1 = YOLO('yolov8n.pt')
#开始训练
a1.train(
data='data.yaml', #数据集配置文件路径
epochs=300, #训练轮次官方推荐500
imgsz=640, #输入图片尺寸官方推荐640
batch=16, #每次训练的批量官方推荐16/32
device='cpu' , #GPU=0 CPU= 'cpu'
workers=4 # 数据加载线程数
)

print('**********************************')
print('**********************************')
print('**********************************')
print('**************SUCCESS*************')
print('**************SUCCESS*************')
print('**************SUCCESS*************')
print('**********************************')
print('**********************************')
print('**********************************')

#检测模型结果

from ultralytics import YOLO
#模型训练完毕自动保存到C:\Users\HR0432\source\repos\robot\robot\runs\detect\train2\weights
#best.pt是训练好的最优模型（适用于最终应用）
#last.pt是训练的最后一轮模型（适用于训练继续）

#加载自己训练好的模型
a1 = YOLO(r'C:\Users\HR0432\source\repos\robot\robot\runs\detect\train16\weights\best.pt')
#目标检测
a1('3.jpg',show = True,save = True)

查看全文

http://www.xdnf.cn/news/18834.html