【超详细】【YOLOV8使用说明】一套框架解决CV的5大任务：目标检测、分割、姿势估计、跟踪和分类任务【含源码】网站首页 技术杂谈

【超详细】【YOLOV8使用说明】一套框架解决CV的5大任务：目标检测、分割、姿势估计、跟踪和分类任务【含源码】

阿_旭 2023-05-31 04:00:03

简介【超详细】【YOLOV8使用说明】一套框架解决CV的5大任务：目标检测、分割、姿势估计、跟踪和分类任务【含源码】

1.简介

YOLOv8是Ultralytics的最新版本YOLO。作为最先进的 SOTA 模型，YOLOv8 建立在以前版本成功的基础上，引入了新功能和改进，以增强性能、灵活性和效率。YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿势估计、跟踪和分类。这种多功能性使用户能够在不同的应用程序和域中利用YOLOv8的功能。模型中只需要设定不同的训练模型，就可以得到不同的检测结果。

本文主要介绍如何使用该模型框架进行CV中各种任务的推理使用，包含检测、分割、姿势估计、跟踪，关于模型的训练等相关内容，后续有空再进行更新，感兴趣的小伙伴，可以点赞关注我~谢谢

为了方便小伙伴们学习，我已将本文的所有源码、相关预训练模型及视频等打包好，需要的小伙伴可以通过以下方式获取：

关注GZH【阿旭算法与机器学习】，回复【YOLOV8】可获取本文所有源码、预训练模型及示例图片视频数据

在这里插入图片描述

2.环境安装

2.1安装torch相关库

官网地址：https://pytorch.org/get-started/locally

安装命令：

pip install torch torchvision torchaudio

在这里插入图片描述

2.2 获取yolov8最新版本，并安装依赖

github地址： https://github.com/ultralytics/ultralytics

通过克隆仓库到本地来获得yolov8最新版本。
在这里插入图片描述
安装依赖环境：

pip install ultralytics

3. 如何使用模型用于各种CV任务

安装好yolov8需要的运行环境之后，就可以直接使用模型了，目前，该模型可以直接用于检测、分割、姿势估计、跟踪和分类这5类检测任务。
支持两种运行方式：
方式一：命令行形式示例

yolo TASK MODE ARGS

举例： yolo detect predict model=yolov8n.pt source='1.jpg'
表示对图片1.jpg进行目标检测

参数说明：

TASK (optional) 表示模型任务类型，可以从列表 [detect, segment, classify, pose]选一个. 分别代表检测、分割、分类、姿态检测任务
MODE (required) 表示模型需要执行的操作，可以从列表 [train, val, predict, export, track, benchmark]选一个，分别代表训练、验证、预测、模型转换、追踪、基准模型评估
ARGS (optional) 表示其他的一些参数设置，后面详细说明

方式二：python代码形式示例

from ultralytics import YOLO

# 加载预训练模型，
model = YOLO('yolov8n.pt',task='detect')
# yolov8n.pt表示预训练模型
# task代表需要执行的任务：detect, segment, classify, pose
# 使用模型进行指定任务
results = model(ARGS)

3.1 目标检测任务实现

检测图片代码

from ultralytics import YOLO
import cv2
# 加载预训练模型
model = YOLO("yolov8n.pt", task='detect') 
# model = YOLO("yolov8n.pt") task参数也可以不填写，它会根据模型去识别相应任务类别
# 检测图片
results = model("./ultralytics/assets/bus.jpg")
res = results[0].plot()
cv2.imshow("YOLOv8 Inference", res)
cv2.waitKey(0)

在这里插入图片描述

检测视频代码

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.pt')
print('111')
# Open the video file
video_path = "1.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

请添加图片描述

3.2 分割任务实现

分割图片代码

from ultralytics import YOLO
import cv2
# Load a model
model = YOLO('yolov8n-seg.pt')  
# Predict with the model
results = model('./ultralytics/assets/bus.jpg')  # predict on an image
res = results[0].plot(boxes=False) #boxes=False表示不展示预测框，True表示同时展示预测框
# Display the annotated frame
cv2.imshow("YOLOv8 Inference", res)
cv2.waitKey(0)

在这里插入图片描述

分割视频代码

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n-seg.pt', task='segment')
# Open the video file
video_path = "1.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()
        # annotated_frame = results[0].plot(boxes=False)不显示预测框

        # Display the annotated frame
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

显示预测框结果

不显示预测框结果
将代码中的boxes设为False即可：
annotated_frame = results[0].plot(boxes=False)

3.3 追踪任务

代码如下：【与目标检测不同的是，每个物体有一个ID。】

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt',task='detect')  
# model = YOLO('yolov8n-seg.pt')  

# Track with the model
results = model.track(source="1.mp4", show=True)

请添加图片描述

3.4 姿态检测任务

姿态检测（图片）代码

from ultralytics import YOLO
import cv2
# Load a model
model = YOLO('yolov8n-pose.pt')  # load a pretrained model (recommended for training)
results = model('./ultralytics/assets/bus.jpg')
res = results[0].plot()
cv2.imshow("YOLOv8 Inference", res)
cv2.waitKey(0)

在这里插入图片描述

姿态检测（视频）代码

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n-pose.pt', task='pose')
# Open the video file
video_path = "1.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

请添加图片描述

4. 模型中相关参数及结果说明

4.1模型预测可以设置的参数

results = model(source= ‘./ultralytics/assets/bus.jpg’)

此处可以设置许多不同的参数，参数说明如下：
在这里插入图片描述

4.2 results[0].plot()图形展示可以设置的参数说明

results= model(img)
res_plotted = results[0].plot()
cv2.imshow("result", res_plotted)

在这里插入图片描述

4.3 模型支持的图片与视频格式

图片格式：
在这里插入图片描述
视频格式：

4.4 各任务检测结果results信息说明

上述各任务中的检测结果results均为一个列表，每一个元素为result对象，包含以下属性，不同任务中使用的属性不相同。详细说明如下：

Results.boxes:表示Boxs对象，具有属性和操作边界框的方法
Results.masks：用于获取分割相关信息
Results.probs:表示预测各类别的概率
Results.orig_img：表示内存中加载的原始图像
Results.path：表示输入图像路径的路径

results = model("./ultralytics/assets/bus.jpg")
for result in results:
    **# Detection 目标检测**
    result.boxes.xyxy   # box with xyxy format, (N, 4)
    result.boxes.xywh   # box with xywh format, (N, 4)
    result.boxes.xyxyn  # box with xyxy format but normalized, (N, 4)
    result.boxes.xywhn  # box with xywh format but normalized, (N, 4)
    result.boxes.conf   # confidence score, (N, 1)
    result.boxes.cls    # cls, (N, 1)
    **# Segmentation  分割**
    result.masks.data      # masks, (N, H, W)
    result.masks.xy        # x,y segments (pixels), List[segment] * N
    result.masks.xyn       # x,y segments (normalized), List[segment] * N
    **# Classification  分类**
    result.probs     # cls prob, (num_class, )

总结

由于篇幅原因，本文只是介绍了如何使用预训练模型进行相关的任务检测，关于模型的训练及其他相关内容，后续有时间再进行更新，感兴趣的小伙伴，可以点赞关注我~谢谢。

个人觉得这套YOLOv8框架还是十分强大的，一套框架几乎可以解决大部分CV领域的检测任务，只需更换不同的训练模型就行，文章如果对你有帮助，感谢小伙伴们的一键3连哦~我们下次再见。

为了方便小伙伴们学习，我已将本文的所有源码、相关预训练模型及视频等打包好，需要的小伙伴可以通过以下方式获取：

关注下方名片【阿旭算法与机器学习】，回复【YOLOV8】可获取本文所有源码、预训练模型及示例图片视频数据

在这里插入图片描述

参考：https://docs.ultralytics.co

风语者！平时喜欢研究各种技术，目前在从事后端开发工作，热爱生活、热爱工作。

上一篇
【AI理论学习】深入理解Prompt Learning和...

下一篇
十、切分织物起球和非起球区域以便于计算...

站长推荐

U8W/U8W-Mini使用与常见问题解决
U8W/U8W-Mini使用与常见问题解决
stm32使用HAL库配置串口中断收发数据（保姆级教程）
stm32使用HAL库配置串口中断收发数据（保姆级教程）
分享几个国内免费的ChatGPT镜像网址(亲测有效)
分享几个国内免费的ChatGPT镜像网址(亲测有效)
SpringSecurity实现前后端分离认证授权
SpringSecurity实现前后端分离认证授权
【社区图书馆】伴我前行的一本书《The C Programming Language》
【社区图书馆】伴我前行的一本书《The C Programming Language》

您现在的位置是：首页 >技术杂谈 >【超详细】【YOLOV8使用说明】一套框架解决CV的5大任务：目标检测、分割、姿势估计、跟踪和分类任务【含源码】网站首页技术杂谈

【超详细】【YOLOV8使用说明】一套框架解决CV的5大任务：目标检测、分割、姿势估计、跟踪和分类任务【含源码】

目录

1.简介

2.环境安装

2.1安装torch相关库

2.2 获取yolov8最新版本，并安装依赖

3. 如何使用模型用于各种CV任务

3.1 目标检测任务实现

检测图片代码

检测视频代码

3.2 分割任务实现

分割图片代码

分割视频代码

3.3 追踪任务

3.4 姿态检测任务

姿态检测（图片）代码

姿态检测（视频）代码

4. 模型中相关参数及结果说明

4.1模型预测可以设置的参数

4.2 results[0].plot()图形展示可以设置的参数说明

4.3 模型支持的图片与视频格式

4.4 各任务检测结果results信息说明

总结

上一篇 【AI理论学习】深入理解Prompt Learning和...

下一篇 十、切分织物起球和非起球区域以便于计算...

站长推荐

上一篇
【AI理论学习】深入理解Prompt Learning和...

下一篇
十、切分织物起球和非起球区域以便于计算...