搭建Yolov8神经网络来进行物体检测的详尽教程！.docx

一、简介

通过这篇文章，我开始了一系列关于YOLOv8的教程--用于计算机视觉的最先进的人工神经网络。特别是，这个模型可以用来解决分类、物体检测和图像分割问题。所有这些方法都是用来检测图像或视频中的物体，但方式不同，如下所示。

为图像分类而创建和训练的神经网络确定图像上物体的类别，并返回其名称和这种预测的概率。例如，在左边的图像上，它返回了这是一只猫，这个预测的置信度是92%（0.92）。

对象检测的神经网络，除了对象类型和概率外，还返回对象在图像上的坐标：X、Y、宽度和高度，如第二张图像所示。此外，物体检测神经网络可以检测到图像上的几个物体及其边界框。

最后，除了物体类型和边界框之外，为图像分割而训练的神经网络还能检测物体的形状，如右图所示。

有许多不同的神经网络架构是为这些任务开发的，对于每一项任务，过去你都必须使用一个单独的网络。幸运的是，在YOLO创建之后，情况发生了变化。现在你可以使用一个单一的平台来解决所有这些问题。

在这篇文章中，我们将发现使用YOLOv8的物体检测。我将指导你如何创建一个网络应用，用它来检测图像上的交通灯和路标。在接下来的文章中，我将介绍其他功能，包括图像分割。

在接下来的章节中，我将展示创建一个物体检测器所需的所有具体步骤。按照这个步骤，在阅读结束时，你将会有一个工作的人工智能驱动的网络应用。

所以，请确保你的电脑上安装了Python和Jupyter笔记本，让我们开始吧。

二、开始使用yolov8

从技术上讲，YOLOv8是一组卷积神经网络模型，使用PyTorch框架创建和训练。

此外，YOLOv8软件包提供了一个单一的PythonAPI，可以使用相同的方法与所有这些模型一起工作。这就是为什么，要使用它，你需要一个运行Python代码的环境。我强烈建议使用Jupyter笔记本。

要使用PIP将YOLOv8安装到你的电脑上，在Jupyter笔记本中运行以下命令：

!pipinstallultralytics

进入全屏模式退出全屏模式

ultralytics?包中有一个YOLO?类，用于创建神经网络模型。

要访问它，请将其导入你的Python代码中：

fromultralyticsimportYOLO

进入全屏模式退出全屏模式

现在一切准备就绪，可以创建神经网络模型了：

model?=?YOLO(yolov8m.pt)

正如我之前写的，YOLOv8是一组神经网络模型。这些模型是用PyTorch创建和训练的，并导出为扩展名为.pt?的文件。有三种类型的模型存在，每种类型有5个不同大小的模型：

你选择的模型越大，你可以获得更好的预测质量，但它的工作速度会越慢。在本教程中，我将介绍物体检测，这就是为什么在前面的代码片段中，我选择了yolov8m.pt，这是一个用于物体检测的中等大小的模型。

当你第一次运行这段代码时，它将从Ultralytics服务器下载yolov8m.pt?文件到当前文件夹，然后，将构建model?对象。现在你可以训练这个model?，检测对象，并输出到生产中使用。对于所有这些任务，它有方便的方法：

train({pathtodatasetdescriptorfile})-用来训练图像数据集的模型。

predict({image})-用于对指定的图像进行预测，例如，检测所有物体的边界框，该模型可以在该图像上找到。

export({format})-用于将该模型从默认的PyTorch格式导出到指定的格式。

所有用于物体检测的YOLOv8模型已经在COCO数据集上进行了预训练，COCO数据集是一个由80种类型的图像组成的巨大集合。因此，如果你没有特别的需求，那么你可以按原样运行它，而不需要额外的训练。例如，你可以下载这张图片为cat_dog.jpg：

并运行predict?来检测上面的所有物体：

results?=?model.predict(cat_dog.jpg)

predict?方法接受许多不同的输入类型，包括一张图片的路径、一个图片的路径数组、著名的PILPython库的Image对象等。

在通过模型运行输入后，它为每个输入图像返回一个结果数组。因为我们只提供了一张图片，所以它返回一个只有一个项目的数组，你可以用这种方式提取：

result?=?results[0]

这个结果包含了检测到的对象和方便处理它们的属性。最重要的是boxes?数组，里面有检测到的图像上的边界框的信息。你可以通过运行len?函数来确定检测到多少个对象：

len(result.boxes)

当我运行这个函数时，我得到了2，这意味着有两个盒子被检测到，可能一个是狗，一个是猫。

然后，你可以在一个循环中分析每个盒子，或者手动分析。让我们得到第一个：

box?=?result.