Python3 YOLOv8 体验
参考
- https://docs.ultralytics.com/zh/quickstart/#use-ultralytics-with-python
- https://pytorch.org/get-started/locally/
- https://www.zhihu.com/question/275575243
- https://github.com/onnx/onnx/issues/5773
- https://stackoverflow.com/questions/72352528/how-to-fix-winerror-206-the-filename-or-extension-is-too-long-error/76452218#76452218
注意
所有命令操作均在git客户端中操作。
环境
环境 | 版本 | 说明 |
---|---|---|
Windows | Windows 10 专业版 22H2 19045.4170 | |
VS Code | 1.88.1 | |
Git客户端 | 2.43.0.windows.1 | |
Python | 3.12 | |
pip | 3.12 | |
ultralytics | 8.1.47 | pip 包 |
torch | 2.2.2 | pip 包 |
torchaudio | 2.2.2 | pip 包 |
torchvision | 0.17.2 | pip 包 |
onnx | 1.16.0 | pip 包 |
介绍
模式
Ultralytics YOLOv8 不只是另一种对象检测模型;它是一个多功能框架,旨在覆盖机器学习模型的整个生命周期--从数据摄取和模型训练到验证、部署和实际跟踪。每种模式都有特定的用途,其设计旨在为您提供不同任务和用例所需的灵活性和效率。
- 训练模式:在自定义或预载数据集上对模型进行微调。
- Val模式:用于验证模型性能的训练后检查点。
- 预测模式:释放模型对真实世界数据的预测能力。
- 导出模式:让您的模型以各种格式部署就绪。
- 跟踪模式:将物体检测模式扩展到实时跟踪应用中。
- 基准模式:在不同的部署环境中分析模型的速度和准确性。
任务
YOLOv8 支持多种任务,包括检测、分割、分类、面向对象检测和关键点检测。每种任务都有不同的目标和用例。通过了解这些任务之间的差异,您可以为计算机视觉应用选择合适的任务。
- 检测是YOLOv8 支持的主要任务。它包括检测图像或视频帧中的物体,并在其周围绘制边界框。YOLOv8 可在单幅图像或视频帧中高精度、高速度地检测多个物体。
- 分割是一项根据图像内容将图像分割成不同区域的任务。每个区域根据其内容分配一个标签。这项任务在图像分割和医学成像等应用中非常有用。YOLOv8 使用 U-Net 架构的变体来执行分割。
- YOLOv8 可用于根据图像内容对图像进行分类。它使用 EfficientNet 架构的一种变体来执行分类。
- 姿势/关键点检测是一项涉及检测图像或视频帧中特定点的任务。这些点被称为关键点,用于跟踪运动或姿势估计。YOLOv8 可以高精度、高速度地检测图像或视频帧中的关键点。
- YOLOv8 可以高精度、高速度地检测图像或视频帧中的旋转物体。
正文
-
安装 python3
-
设置pip源:
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
-
安装yolov:
pip install ultralytics
-
安装torch,https://pytorch.org/get-started/locally/
pip3 install torch torchvision torchaudio
-
设置git命令终端代理:(需要先打开梯子,并且本地端口对应,不明白梯子或者如果没有梯子就跳过这一步)
# 设置代理 git config --global http.proxy 127.0.0.1:7890 git config --global https.proxy 127.0.0.1:7890 # 取消代理 # git config --global --unset http.proxy # git config --global --unset https.proxy
-
修改注册表,win+r 打开运行,输入regedit ,进入注册表找到:
Computer\HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem
,修改LongPathsEnabled=1
-
执行;
pip install --no-cache "onnx>=1.12.0"
。 -
尝试运行(所有本文章内的文件都会自动去下载,所以只需要下面这部分代码就可以尝试体验)
代码是演示了完整流程:创建模型/加载模型/训练模型/评估/检测/导出onnx模型from ultralytics import YOLO # Create a new YOLO model from scratch model = YOLO('yolov8n.yaml') # Load a pretrained YOLO model (recommended for training) model = YOLO('yolov8n.pt') # Train the model using the 'coco128.yaml' dataset for 3 epochs results = model.train(data='coco128.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')
博 主 :夏秋初
地 址 :https://www.cnblogs.com/xiaqiuchu/p/18132703
如果对你有帮助,可以点一下 推荐 或者 关注 吗?会让我的分享变得更有动力~
转载时请带上原文链接,谢谢。
地 址 :https://www.cnblogs.com/xiaqiuchu/p/18132703
如果对你有帮助,可以点一下 推荐 或者 关注 吗?会让我的分享变得更有动力~
转载时请带上原文链接,谢谢。
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· PowerShell开发游戏 · 打蜜蜂
· 在鹅厂做java开发是什么体验
· WPF到Web的无缝过渡:英雄联盟客户端的OpenSilver迁移实战