Python YOLOv8 进阶教程

模型	输入尺寸	参数量 (M)	FLOPs(B)	COCO mAP	速度 (ms)
n	640x640	3.2	8.7	53.9	0.9
s	640x640	11.2	28.6	60.9	2.0
m	640x640	25.9	78.9	64.8	2.7
l	640x640	43.7	165.2	67.2	4.6
x	640x640	68.2	257.8	68.8	6.8

Python YOLOv8 进阶教程 | 极客日志

# 安装 ultralytics
pip install ultralytics
# 安装 OpenCV
pip install opencv-python
# 安装 PyTorch（可选，用于自定义训练）
pip install torch torchvision
# 安装其他依赖
pip install numpy matplotlib pillow

from ultralytics import YOLO
# 加载模型
model = YOLO("yolov8n.pt")
# 打印模型信息
model.info()

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO("yolov8n.pt")

# 单张图片检测
results = model("test.jpg")

# 多张图片检测
results = model(["test1.jpg", "test2.jpg", "test3.jpg"])

# 保存检测结果
for i, result in enumerate(results):
    result.save(filename=f"result_{i}.jpg")

# 视频文件检测
results = model("test.mp4", save=True)

# 实时摄像头检测
results = model(0, show=True, save=True)
# 0 表示默认摄像头

# 加载分割模型
model = YOLO("yolov8n-seg.pt")

# 分割检测
results = model("test.jpg")

# 保存分割结果
results[0].save(filename="segment_result.jpg")

# 加载姿态估计模型
model = YOLO("yolov8n-pose.pt")

# 姿态检测
results = model("person.jpg")

# 保存姿态估计结果
results[0].save(filename="pose_result.jpg")

# 加载分类模型
model = YOLO("yolov8n-cls.pt")

# 图像分类
results = model("cat.jpg")

# 打印分类结果
print(results[0].probs)
# 概率分布
print(results[0].probs.top1)
# 最高置信度类别

dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

# 加载模型
model = YOLO("yolov8n.pt")

# 训练模型
results = model.train(
    data="dataset.yaml",
    epochs=100,
    batch=16,
    imgsz=640,
    device="cuda:0",
    project="my_project",
    name="exp1"
)

# 评估模型
results = model.val()

# 打印评估结果
print(results.box.map)      # [email protected]:0.95
print(results.box.map50)    # [email protected]
print(results.box.map75)    # [email protected]

# 导出为 ONNX 格式
model.export(format="onnx")

# 导出为 TensorRT 格式
model.export(format="engine")

# 导出为 CoreML 格式
model.export(format="coreml")

# 导出量化模型
model.export(format="onnx", int8=True)     # 8 位量化
model.export(format="onnx", fp16=True)     # 16 位浮点量化

# 自定义 NMS 阈值
results = model("test.jpg", conf=0.5, iou=0.7)

# 只检测特定类别
results = model("test.jpg", classes=[0, 2, 5])
# 只检测人、车、自行车

# 过滤低置信度结果
for result in results:
    boxes = result.boxes
    for box in boxes:
        if box.conf[0] > 0.7:
            print(f"{model.names[int(box.cls[0])]}: {box.conf[0]:.2f}")

# 多 GPU 训练
results = model.train(
    data="dataset.yaml",
    epochs=100,
    batch=32,
    device=[0, 1]
)

# 混合精度训练
results = model.train(
    data="dataset.yaml",
    epochs=100,
    amp=True
)

from ultralytics import YOLO
import cv2
import time
import smtplib
from email.mime.text import MIMEText

# 加载模型
model = YOLO("yolov8n.pt")

# 打开摄像头
cap = cv2.VideoCapture(0)

# 异常行为检测函数
def detect_abnormal(results):
    abnormal = False
    for result in results:
        boxes = result.boxes
        for box in boxes:
            cls = box.cls[0]
            # 检测火灾（类别 0）和烟雾（类别 1）
            if int(cls) in [0, 1]:
                abnormal = True
                print(f"检测到异常行为：{model.names[int(cls)]}")
    return abnormal

# 报警函数
def send_alert(message):
    msg = MIMEText(message)
    msg["Subject"] = "监控系统报警"
    msg["From"] = "[email protected]"
    msg["To"] = "[email protected]"
    with smtplib.SMTP("smtp.example.com", 587) as server:
        server.starttls()
        server.login("[email protected]", "your_password")
        server.send_message(msg)

# 主循环
while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 检测物体
    results = model(frame)

    # 检测异常行为
    if detect_abnormal(results):
        send_alert("监控画面中检测到异常行为！")

    # 显示结果
    cv2.imshow("Smart Monitoring", results[0].plot())

    # 按 ESC 键退出
    if cv2.waitKey(1) & 0xFF == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

from ultralytics import YOLO
import cv2
import numpy as np

# 加载模型
model = YOLO("yolov8n.pt")

# 打开视频文件
cap = cv2.VideoCapture("traffic.mp4")

# 初始化计数器
car_count = 0
bike_count = 0

# 定义检测区域
roi = [(100, 200), (500, 200), (500, 400), (100, 400)]

# 主循环
while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 检测物体
    results = model(frame)

    # 统计车辆
    for result in results:
        boxes = result.boxes
        for box in boxes:
            x1, y1, x2, y2 = box.xyxy[0]
            cls = box.cls[0]
            # 判断是否在检测区域内
            if cv2.pointPolygonTest(np.array(roi, np.int32), ((x1 + x2) / 2, (y1 + y2) / 2), False) >= 0:
                if int(cls) == 2:
                    car_count += 1
                elif int(cls) == 3:
                    bike_count += 1

    # 显示统计结果
    cv2.putText(frame, f"Cars: {car_count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    cv2.putText(frame, f"Bikes: {bike_count}", (10, 70), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    # 显示结果
    cv2.imshow("Traffic Monitoring", frame)

    # 按 ESC 键退出
    if cv2.waitKey(1) & 0xFF == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

# 生成报告
print(f"交通流量统计报告：")
print(f"汽车数量：{car_count}")
print(f"摩托车数量：{bike_count}")

# 创建虚拟环境
python -m venv yolov8_env
# 激活虚拟环境
# Windows
yolov8_env\Scripts\activate
# Linux/Mac
source yolov8_env/bin/activate
# 安装依赖
pip install ultralytics

# 查看 CUDA 版本
nvcc --version
# 安装对应版本的 PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

results = model("test.jpg", iou=0.5)
# 降低 iou 阈值可以减少重叠

pip install onnx onnxruntime

Python YOLOv8 进阶教程

Python YOLOv8 进阶教程

一、YOLOv8 技术深度解析

1.1 YOLO 算法发展历程

1.2 YOLOv8 核心特性

1.3 YOLOv8 模型家族

二、环境搭建与配置

2.1 安装依赖

2.2 验证安装

三、核心功能详解

3.1 目标检测基础

3.1.1 图片检测

3.1.2 视频检测

3.2 实例分割

3.3 姿态估计

3.4 图像分类

四、高级应用技巧

4.1 自定义模型训练

4.1.1 数据集准备

4.1.2 训练配置

4.1.3 模型评估

4.2 模型优化与部署

4.2.1 模型导出

4.2.2 模型量化

4.3 高级后处理

4.3.1 NMS（非极大值抑制）

4.3.2 过滤检测结果

4.4 性能优化

4.4.1 多 GPU 训练

4.4.2 混合精度训练

五、实战项目案例

5.1 智能监控系统

5.1.1 功能需求

5.1.2 代码实现

5.2 交通流量统计系统

5.2.1 功能需求

5.2.2 代码实现

六、常见问题与解决方案

6.1 安装与配置问题

6.2 模型训练问题

6.3 模型推理问题

6.4 模型部署问题

七、更多资源

总结

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具