基于 Ultralytics YOLO 的目标检测项目

项目简介

本项目基于 ultralytics/ultralytics 进行二次开发，实现了自定义数据集的目标检测模型训练与视频推理。

详细教程请参考 YOLOv5到YOLO11：基于Ultralytics框架的目标检测训练与实战。

训练结果示例

50轮次结果： 100轮次：

环境依赖

• Anaconda 3.8+
• PyTorch 2.0+
• Python 3.8+
• pip
• 主要依赖见 requirements.txt

安装依赖： bash pip install -r requirements.txt

数据集

数据集目录结构示例： bash train/images/ # 存放图片 train/labels/ # 存放标注文件 train/doro.yaml # 数据集配置文件 数据集配置文件 doro.yaml 示例： ```yaml train: ../train/images/ val: ../train/images/

number of classes

nc: 1

class names

names: ['doro'] ```

训练

执行训练脚本： ```python

导入警告模块并忽略警告信息

import warnings warnings.filterwarnings('ignore')

导入YOLO模型

from ultralytics import YOLO

if name == 'main': # 创建YOLO模型实例，指定模型配置文件路径 model = YOLO(model='D:/Code/Python/testYolo11/ultralytics/cfg/models/11/yolo11.yaml')

# 开始训练模型
model.train(
    data=r'D:/Code/Python/testYolo11/train/doro.yaml',  # 数据集配置文件路径
    imgsz=640,                    # 输入图像大小
    epochs=50,                    # 训练轮次数
    batch=4,                      # 批次大小
    workers=0,                    # 数据加载的工作进程数，0表示仅使用主进程
    device='0',                    # 训练设备，0表示使用第一个GPU，'cpu'表示使用CPU
    optimizer='SGD',              # 优化器类型，使用随机梯度下降
    close_mosaic=10,             # 在最后10个epoch关闭马赛克数据增强
    resume=False,                 # 是否从断点继续训练
    project='runs/train',         # 训练结果保存的项目目录
    name='exp',                   # 实验名称
    single_cls=False,             # 是否作为单类别检测
    cache=False,                  # 是否缓存图像到内存中以加快训练
)

```

测试

执行测试脚本： ```python import cv2

导入YOLO模型

from ultralytics import YOLO

读取视频

videopath = "E:\test\testVideo\doro3.mp4" cap = cv2.VideoCapture(videopath)

加载训练的模型

model = YOLO('D:/Code/Python/testYolo11/src/runs/detect/train/weights/best.pt')

model = YOLO('D:/Code/Python/testYolo11/src/runs/train/exp/weights/best.pt')

检查视频是否成功打开

if not cap.isOpened(): print("无法打开视频文件") exit()

播放视频

while True: ret, frame = cap.read() if not ret: # 循环播放视频 cap.set(cv2.CAPPROPPOSFRAMES, 0) continue # 模型推理 results = model(frame) # 获取预测结果 # 遍历检测结果并绘制 for box in results[0].boxes: conf = float(box.conf[0]) if conf < 0.5: # 只显示置信度大于0.5的框 continue x1, y1, x2, y2 = map(int, box.xyxy[0]) conf = float(box.conf[0]) cls = int(box.cls[0]) classname = model.names[int(cls)] # 输出结果 print(f"检测到：{classname}, 置信度：{conf:.2f}") cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(frame, f"{classname} {conf:.2f}", (int(x1), int(y1) - 10), cv2.FONTHERSHEYSIMPLEX, 0.9, (0, 255, 0), 2) # 显示当前帧 cv2.imshow("Video", frame)

# 按下 'a' 键暂停
if cv2.waitKey(1) & 0xFF == ord('a'):
    while True:
        # 等待用户按下 'r' 键继续
        if cv2.waitKey(1) & 0xFF == ord('d'):
            break
        # 显示当前帧
        cv2.imshow("Video", frame)

# 按下 'q' 键退出
if cv2.waitKey(1) & 0xFF == ord('q'):
    break

释放视频捕获对象和关闭所有窗口

cap.release() cv2.destroyAllWindows() ```