当前位置：首页 > news >正文

默认网站停止相亲网站建设策划方案

news 2025/11/14 19:50:54

默认网站停止,相亲网站建设策划方案,WordPress的数据库在哪,仙桃网站建设公司以yolov11为例，训练之前要先准备好数据集，以下是yolov11的训练代码，其中data.yaml 指向数据集的路径，以网上检测安全帽为例，下载连接： 工地安全帽识别检测数据集 https://gitcode.com/open-source-toolki…

以yolov11为例，训练之前要先准备好数据集，以下是yolov11的训练代码，其中data.yaml 指向数据集的路径，以网上检测安全帽为例，下载连接：

工地安全帽识别检测数据集

https://gitcode.com/open-source-toolkit/10c53

train.py代码

from ultralytics import YOLOif __name__ == '__main__':# Load a pretrained YOLOv8 modelmodel = YOLO('yolo11n.pt')# Train the model on a custom datasetmodel.train(data='data/data.yaml', epochs=400, imgsz=640, batch=64, workers=8)

data.yaml内容，里面有7个类别，可根据需要调整

train: ../train/images
val: ../valid/images
test: ../test/imagesnc: 7
names: ['Gloves', 'Helmet', 'Non-Helmet', 'Person', 'Shoes', 'Vest', 'bare-arms']

成品数据集的样子，test可选

而labelimg正是制作数据集的一种常见工具

安装：

pip install labelimg

建议使用python3.9版本，python3.10或更高python版本中labelimg可能会闪退

启动labelimg

在安装了labelimg的python环境中直接输入：labelimg 按回车即可打开

现在从上面下载的数据集中取10张图片进行标注练习，为了简便

再点击左侧的Open Dir,它会提示以下窗口，点Yes,然后再去选择图片文件夹

Change Save Dir是选择保存目录，也可以指定到Test下面，到时候再划分

这个下载的数据集有7个类别：names: ['Gloves', 'Helmet', 'Non-Helmet', 'Person', 'Shoes', 'Vest', 'bare-arms']

Gloves：手套
Helmet：头盔
Non-Helmet：未戴头盔
Person：人员
Shoes：鞋子
Vest：背心
bare-arms：裸露手臂

我们可以根据需要来标注，以只检测安全帽为例，取2个类别'Helmet', 'Non-Helmet'

按字母W可切换到画框模式，例如框中图片中的人头，它会跳出类别窗口，输入Non-Helmet

下次就直接可以选择这个类别了

一张图片完成标注后，点Next Image会转到下一张，快捷键是d (文章底部有快捷键大全）

检测完最后一张就可以关闭labelimg了，然后打开Test文件夹

里面有对应生成了txt标签信息

打开其中一个txt

制作好数据集之后，还要进行划分，可以借助ai实现，以阿里通义为例

Test下添加01文件夹，把图片和txt移动到01文件夹里面

用vscode打开Test文件夹

用vscode中的通义灵码，进行划分，如下图告诉ai要实现的功能，它会生成一个python文件，运行后，就会多出3个文件夹了

新建一个Dataset文件夹，把这3个文件夹移动到Dataset内

再添加data.yaml文件

train: ./train/images
val: ./val/images
test: ./test/imagesnc: 2
names: ['Non-Helmet', 'Helmet']

最后的目录结构如下图，注意以上只用10张图片进行演示标注过程，实际上训练的图片最好100张或更多。val也就是valid文件夹，名字可以修改

然后，如果电脑上已经配置好yolov11环境，就可以开始训练了

from ultralytics import YOLOif __name__ == '__main__':# Load a pretrained YOLOv8 model (e.g., yolo11n.pt)model = YOLO('yolo11n.pt')# Train the model with early stoppingresults = model.train(data='Dataset/data.yaml',      # 数据配置文件epochs=100,                 # 最大训练轮数（早停会提前停止）patience=50,                # ⭐ 早停耐心值：连续50轮没提升就停imgsz=640,                  # 图像尺寸batch=16,                   # batch sizeworkers=8,                  # 数据加载线程数device=0,                   # 使用GPU（0表示第一块GPU）project='runs/train',       # 保存项目目录name='exp',                 # 实验名称exist_ok=False,             # 防止覆盖已有实验optimizer='AdamW',          # 可选优化器lr0=0.001,                  # 初始学习率amp=True,                   # 自动混合精度（加速训练）)print("✅ Training completed. Best model saved automatically.")

经过大概20多分钟，训练完成，次数这里选择的是100，根据需要选择

训练完成后会生成best.pt,写一个检测图片的代码：

from ultralytics import YOLO
import cv2
import osdef detect_image(image_path, model_path='best.pt', save_dir='runs/detect', show_result=True):"""使用训练好的YOLO模型检测单张图片Args:image_path (str): 要检测的图片路径model_path (str): 训练好的模型路径save_dir (str): 检测结果保存目录show_result (bool): 是否显示检测结果窗口"""# 加载模型model = YOLO(model_path)# 创建保存目录os.makedirs(save_dir, exist_ok=True)# 进行检测results = model.predict(source=image_path,save=True,           # 保存检测结果save_dir=save_dir,   # 保存目录show=show_result,    # 是否显示图片窗口conf=0.5,            # 置信度阈值iou=0.5              # IOU阈值)print(f"✅ 检测完成，结果已保存到 {save_dir}")# 如果需要显示结果且有检测到对象，则显示if show_result and results[0].boxes is not None:# 获取检测结果图像plotted_image = results[0].plot()# 显示图像cv2.imshow('Detection Result', plotted_image)print("按任意键关闭显示窗口...")cv2.waitKey(0)cv2.destroyAllWindows()return resultsdef detect_images_in_directory(images_dir, model_path='yolo11n.pt', save_dir='runs/detect', show_result=False):"""使用训练好的YOLO模型检测目录中的所有图片Args:images_dir (str): 包含图片的目录路径model_path (str): 训练好的模型路径save_dir (str): 检测结果保存目录show_result (bool): 是否显示检测结果窗口（仅对最后一张图片有效）"""# 加载模型model = YOLO(model_path)# 创建保存目录os.makedirs(save_dir, exist_ok=True)# 进行检测results = model.predict(source=images_dir,save=True,save_dir=save_dir,show=show_result,conf=0.5,iou=0.5)print(f"✅ 检测完成，{len(results)} 张图片的结果已保存到 {save_dir}")# 显示最后一张图片的检测结果if show_result and len(results) > 0 and results[-1].boxes is not None:# 获取最后一张图片的检测结果plotted_image = results[-1].plot()# 显示图像cv2.imshow('Detection Result', plotted_image)print("按任意键关闭显示窗口...")cv2.waitKey(0)cv2.destroyAllWindows()return resultsif __name__ == '__main__':# 示例1: 检测单张图片并显示结果detect_image(r'G:\cpppro2\TestYolov11\Dataset\test\images\Video4_260_jpg.rf.05ceff198aeb0fe5870232779710005d.jpg')# 示例2: 检测目录中的所有图片，显示最后一张的检测结果# detect_images_in_directory('Dataset/test/images')print("请取消注释上面的示例代码并提供正确的图片路径来运行检测")