Pressidian

Appearance

BV1GBdUYqE77 ​

环境配置 ​

  • 使用Miniconda来管理Python虚拟环境

环境管理命令 ​

  • 查看环境：conda env list
  • 新建：
    • 检查Python版本：python --version
    • 新建环境：conda create -n yolo python=3.12.7（注意版本号）
  • 激活环境：conda activate yolo
  • 在vscode选择解释器的位置选择环境

安装包 ​

  • 安装pytorch：pip install torch torchvision torchaudio
  • 安装jupyterlab：pip install jupyterlab
  • 安装ultralytics：将本地下载的包安装到环境

初体验 ​

使用指令来指定模型，任务，和要识别的资源

 yolo mode='predict' task='detect' model='yolo11n.pt' source='textimg.png'

其中的模式、任务可以不使用，具有默认值

对于使用py来实现的代码

from ultralytics import YOLO
yolo=YOLO(model='yolo11n.pt',task='detect')
result = yolo(source='textmp4.mp4',save=True);//source的部分可以改成'0'代表摄像头、'screen'代表屏幕

ctrl+c停止 ctrl+j调出新的控制台

参数设置 ​

ultralytics\cfg\default.yaml在此处有所有的参数，也可以修改其中的默认值，官网也有，举例：

  • save：在使用py运行时，不使用save=’true‘就不会存储数据
  • conf：conf=’0.66‘这里表示置信空间，表示超过这个值后才显示
  • show：表示展示
  • save_txt：表示文本存储

Jupyterlab ​

使用后缀.ipynb来创建一个文件，在此文件的右上角选着环境（要安装对应的扩展） 使用B来创建新的段，回车来进入编辑模式

用这个可以来分块的运行代码，将代码注入到内存中

结果 ​

在Jupyterlab的代码中使用这样的代码块能够方便的查看

from ultralytics import YOLO
yolo=YOLO(model='yolo11n.pt',task='detect')
result = yolo(source='text2.mp4',save=True,save_txt=True,show=True,conf=0.6);
display(result[0].names)
display(result[0].names)

数据准备 ​

准备数据集：准备各种情况的图片并且重命名 标记：使用Labelimg来标记数据。创建项目文件夹并在其中创建两个新的文件夹，分别用来存储数据和标注好的数据

  • 开启自动保存更加方便
  • ==切换模型到YOLO==
  • 使用W来快捷标注
  • A、D来切换上下图片

这里是推荐的文件结构：

  • datasets
    • icon
      • images
        • train：用于训练
        • val：检验
      • labels
        • classes.txt
        • train：用于训练
        • val：检验

最后将文件夹添加至项目文件夹

训练 ​

准备yaml文件，yaml要放置在和ultralytics同级的目录下

path: ../datasets/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test:

names:
  0: person
  1: bicycle
  2: car
  3: motorcycle

文件的模版ultralytics\cfg\datasets，可以参考

from ultralytics import YOLO
model= YOLO('yolo11n.pt')
model.train(data='yaml',workers=0,eposhs=300,batch=16)
//使用eposhs来指定训练的轮数，workers0代表windows

在训练结束后的detect/train文件的weights里有训练好的模型 在results.png中记录了训练的结果，类似1/x的曲线代表较好的训练结果

使用新训练的模型 ​

与初体验中的一样