YOLOv8自定义数据集训练入门秘籍

 # 1. YOLOv8简介及安装配置 ## YOLOv8简介 YOLO（You Only Look Once）v8是该系列最新推出的实时目标检测算法，它继承了YOLO家族的高效准确性能，并引入了多项改进，旨在提供更快、更准确的检测结果。YOLOv8不仅优化了神经网络架构，还增强了对小目标检测的能力，同时减小了模型的体积。YOLOv8适用于需要高速和高效目标检测的场景，如视频监控、自动驾驶等。 ## 安装配置 YOLOv8的安装需要根据具体的操作系统环境进行配置，这里以常用的Ubuntu系统为例说明安装步骤。首先确保系统已安装Python和PyTorch环境，然后通过以下步骤进行YOLOv8的安装： 1. 使用Python包管理工具pip安装YOLOv8： ```bash pip install yolov8 ``` 2. 验证安装是否成功，可以使用以下命令查看YOLOv8版本： ```bash yolov8 --version ``` 3. 如果需要进行模型训练，还需要下载预训练权重文件以及配置文件，通常在YOLOv8的官方GitHub仓库中会提供下载链接和使用说明。 通过以上步骤，可以完成YOLOv8的初步安装和配置，为后续的数据准备、模型训练和部署打下基础。接下来，我们将进一步探讨如何准备和预处理数据集。 # 2. YOLOv8数据集准备和预处理 ## 2.1 数据集准备 ### 2.1.1 数据集的来源和选择 在机器学习项目中，数据集的准备是一个至关重要的步骤。对于基于深度学习的目标检测模型YOLOv8来说，获取到高质量、丰富多样的数据集是实现模型高精度检测的前提。数据集来源可以分为公开数据集和自定义数据集两类。 公开数据集如COCO、PASCAL VOC等，这类数据集的优点是标注准确、类别丰富，能够直接下载使用，但是它们往往已经为许多研究人员所使用，可能无法满足特定应用场景下的需求。因此，对于特定任务如工业检测、医学影像等，可能需要收集和标注自己的数据集。 在选择数据集时，我们需要注意以下几点： - **多样性**：数据集应当包含目标在各种姿态、角度、光照条件下的图片，以提高模型的泛化能力。 - **标注质量**：准确的标注对于训练高精度模型至关重要，应选择标注误差小的数据集。 - **数据量**：一般来说，更多的数据能够训练出更鲁棒的模型，但过量的数据也可能增加训练时间，需要权衡。 - **类别的覆盖度**：根据实际应用场景确定需要识别的目标类别数量。 ### 2.1.2 数据集的下载和安装 对于公开数据集的下载通常比较简单，可以通过官方网站或开源社区获取。以COCO数据集为例，可以使用以下步骤进行下载： 1. 访问COCO数据集官方网站，下载数据集压缩包。 2. 解压缩下载的文件到本地指定目录。 3. 使用数据集的标注文件，如JSON格式文件，来加载训练或验证集。 对于自定义数据集，你需要按照如下步骤进行： 1. 收集数据集：从实际应用场景中收集图片或视频。 2. 数据标注：使用标注工具（如LabelImg、CVAT）对收集到的数据进行标注，生成标注文件，如XML格式。 3. 数据组织：将标注好的图片和对应的标注文件按类别存放在不同的文件夹中。 ## 2.2 数据集预处理 ### 2.2.1 数据集格式的转换 在训练YOLOv8之前，需要将数据集格式转换为YOLOv8所支持的格式，通常为类别索引、中心点坐标和宽高尺寸信息。YOLOv8通常采用txt文件格式，每张图片对应一个txt文件，内容格式如下： ``` <object-class> <x_center> <y_center> <width> <height> ``` 其中，`<x_center>`和`<y_center>`是目标边界框中心点相对于图片宽度和高度的比例坐标，`<width>`和`<height>`是边界框的宽度和高度相对于图片宽度和高度的比例。 你可以使用Python脚本将标注文件（如XML）转换为YOLO格式。例如： ```python import xml.etree.ElementTree as ET def convert_annotation(xml_path, txt_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) with open(txt_path, 'w') as f: for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = (b[0]/w, b[1]/w, b[2]/h, b[3]/h) f.write(f"{cls_id} {bb[0]} {bb[1]} {bb[2]} {bb[3]}\n") classes = ["person", "car", "bird"] # 根据数据集类别进行修改 convert_annotation('path/to/annotation.xml', 'path/to/annotation.txt') ``` ### 2.2.2 数据增强和标注 数据增强是在机器学习中用于增加训练样本多样性的一种技术，它通过一系列的图像转换来模拟不同的现实情况，例如旋转、缩放、翻转、裁剪、颜色调整等。 使用Python的图像处理库如PIL或OpenCV，可以实现复杂的数据增强操作。此外，YOLOv8支持数据增强配置文件来定义增强策略。 ```python from imgaug import augmenters as iaa import numpy as np import cv2 # 定义数据增强策略 seq = iaa.Sequential([ iaa.Fliplr(0.5), # 随机水平翻转 iaa.Affine(scale=(0.8, 1.2)), # 随机缩放 iaa.AdditiveGaussianNoise(loc=0, scale=(0.0, 0.05*255), per_channel=0.5), # 添加高斯噪声 ]) def augment_image(image): img = image.copy() seq_img = seq(image=img) return seq_img ``` 在准备数据集时，除了数据增强外，还需要对数据集进行划分，通常分为训练集、验证集和测试集。在划分数据集时，可以使用`sklearn.model_selection`中的`train_test_split`函数。 ```python from sklearn.model_selection import train_test_split train_image_paths, val_image_paths, train_label_paths, val_label_paths = train_test_split( image_paths, label_paths, test_size=0.1, random_state=42) # 保存划分后的路径列表 np.save('train_image_paths.npy', train_image_paths) np.save('val_image_paths.npy', val_image_paths) np.save('train_label_paths.npy', train_label_paths) np.save('val_label_paths.npy', val_label_paths) ``` 在本章节中，我们详细介绍了YOLOv8模型训练所需数据集的准备与预处理，包括数据集的选择、下载、格式转换、数据增强以及数据集的划分。这些操作为模型提供了高质量的输入数据，为后续的模型训练和优化奠定了基础。在下一章节中，我们将着重探讨YOLOv8模型训练环境的搭建以及训练参数的设置。 # 3. YOLOv8模型训练基础 ## 3.1 训练环境的搭建 ### 3.1.1 硬件环境要求 为了使YOLOv8模型训练高效进行，选择合适的硬件环境至关重要。YOLOv8作为一个资源密集型的深度学习模型，其训练过程对硬件的要求较高。通常情况下，以下几个硬件要素是需要考虑的： - **GPU**: 由于深度学习的计算特性，拥有强大的GPU是提高训练速度的关键。至少需要一个支持CUDA的NVIDIA GPU。推荐使用较新的RTX系列显卡，如RTX 2080 Ti、RTX 3080等，因为这些GPU具有更强大的计算能力和Tensor Core支持，可以显著加速训练。 - **CPU**: 高速的多核CPU有助于处理数据集加载和预处理工作，从而减少GPU的等待时间。建议至少使用八核以上处理器，如Intel i7或AMD Ryzen 7以上型号。 - **内存**: 足够大的内存是保障模型在训练过程中不会因为内存溢出而中断的基础。至少32GB的RAM是必要的，如果训练的数据集很大，那么64GB或更多的内存会更加适合。 - **存储空间**: 高速的SSD存储空间用来存放数据集和模型文件。因为读写速度远远高于传统HDD，SSD可以大幅提升数据加载和模型保存的速度。 ### 3.1.2 软件环境配置 硬件环境搭建完毕之后，接下来是软件环境的配置。YOLOv8需要以下软件环境的支持： - **操作系统**: Linux系统（如Ubuntu 18.04或更高版本）是深度学习项目中普遍推荐的操作系统，因为其具有良好的社区支持和稳定性。 - **深度学习框架**: YOLOv8作为基于PyTorch框架的模型，需要安装PyTorch及其相关依赖。推荐使用conda进行安装，通过执行以下命令： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge ``` - **依赖库**: 除了PyTorch之外，YOLOv8还可能依赖一些其他库，如OpenCV用于图像处理，numpy用于数值计算等。可以通过pip安装所有必要的库： ```bash pip install numpy opencv-python-headless matplotlib ``` - **YOLOv8代码库**: 接下来，从YOLOv8的官方GitHub仓库克隆最新版本的代码库： ```bash git clone https://github.com/ultralytics/yolov8 ``` - **环境配置文件**: 在代码库的根目录下，通常会有一个环境配置文件（如environment.yml），可以使用conda命令来创建并激活环境： ```bash conda env create -f environment.yml conda activate yolov8 ``` 以上步骤完成之后，YOLOv8的训练环境就搭建完毕了。此时可以开始进行数据准备以及后续的模型训练工作。 ## 3.2 训练参数设置 ### 3.2.1 参数的基本概念和设置方法 在深度学习模型训练中，训练参数的选择直接影响到模型的学习效率和最终效果。在YOLOv8中，有以下几类常见的训练参数： - **学习率（learning rate）**: 学习率决定了模型权重更新的速度。一个过高或过低的学习率都可能导致模型无法有效学习。 - **批大小（batch size）**: 批大小指的是每次前向传播和反向传播计算的数据样本数量。较大的批大小可以利用GPU的优势，但过大的批大小可能会引起模型训练不稳定。 - **迭代次数（epochs）**: 迭代次数指的是训练数据集在训练过程中被遍历的次数。 - **优化器（optimizer）**: 常见的优化器有SGD、Adam等，每种优化器都有其自身的参数设置，如Adam的β1、β2等。 - **损失函数（loss function）**: 作为模型优化的核心目标，损失函数的定义对训练有着决定性的影响。 对于YOLOv8，这些参数可以在配置文件中设置。例如，在`train.yaml`文件中，你可以看到这样的参数配置： ```yaml nc: 80 # 类别数量 img_size: 640 # 图像大小 batch_size: 16 # 批大小 epochs: 300 # 迭代次数 learning_rate: 0.01 # 学习率 optimizer: SGD # 优化器 ``` ### 3.2.2 参数调优和训练过程监控 参数调优是训练过程中不断尝试和优化的过程。以下是参数调优的一些建议： - **学习率衰减**: 学习率衰减是一种常见的技术，可以在训练后期逐渐减小学习率，以帮助模型在收敛时找到更好的局部最优解。 - **warm-up**: 对于一些优化器，如Adam，可能需要先以较低的学习率进行预热（warm-up），然后再增加到正常的水平，以避免初期训练的不稳定。 - **早停法（early stopping）**: 如果验证集上的性能在多个epoch之后不再提升，可以考虑停止训练，避免过拟合。 训练过程中监控模型训练状态是非常重要的，可以通过查看训练日志文件或者使用可视化工具来监控。以下是一个简单的训练日志例子： ```bash Epoch gpu_mem GIoU obj cls total targets img_size 0/99 4.87G 0.06191 0.03172 0 0.09363 2 640: 100% 15/15 [00:13<00:00, 1.13it/s] Class Images Targets P R [email protected] [email protected]:.95: 100% 1/1 [00:00<00:00, 1.32it/s] all 10 100 0.508 0.76 0.0615 0.01758 Results saved to runs/train/exp ``` 通过日志文件，可以清晰地看到每个epoch的训练情况，包括模型在训练集和验证集上的表现。如果在监控过程中发现性能不佳，应及时调整参数进行优化。 ### 3.2.3 小结 在YOLOv8模型训练基础的章节中，我们介绍了搭建训练环境的软硬件要求，以及如何设置训练参数以确保模型训练能够高效且稳定地进行。通过合理配置硬件环境，选择合适的软件依赖，并且谨慎设置和调优训练参数，可以为模型训练打下坚实的基础。下一章节将进入模型训练实践的具体操作流程。 # 4. ``` # 第四章：YOLOv8模型训练实践 在前一章节中，我们已经探讨了YOLOv8模型训练的基础，包括训练环境的搭建和参数设置。本章将深入实践领域，指导读者如何进行实际的模型训练。 ## 4.1 训练前的数据准备 在开始模型训练之前，我们必须完成数据集的划分和预处理工作。数据准备是整个训练流程中至关重要的一环，它将直接影响模型的最终表现。 ### 4.1.1 数据集划分 数据集的划分是为了将原始数据集分成独立的训练集、验证集和测试集。通过这种划分，可以评估模型在未见过的数据上的泛化能力。 通常，可以按照如下的比例划分数据集： - 训练集：70%-80% - 验证集：10%-15% - 测试集：10%-15% 划分数据集的一个简单方法是通过编写脚本随机选择数据样本分配到不同的集合。这里以Python语言为例，展示如何划分数据集： ```python import random # 假设有一个包含所有图片路径的列表 all_image_paths = ... # 初始化三个列表用于存放不同数据集的路径 train_paths, val_paths, test_paths = [], [], [] # 随机打乱图片路径列表 random.shuffle(all_image_paths) # 根据预设比例划分数据集 total_size = len(all_image_paths) train_end_index = int(total_size * 0.75) # 训练集占75% val_end_index = int(total_size * 0.875) # 验证集占12.5% # 分配路径到对应的数据集 for idx, image_path in enumerate(all_image_paths): if idx < train_end_index: train_paths.append(image_path) elif idx < val_end_index: val_paths.append(image_path) else: test_paths.append(image_path) # 最后，确保每个集合中的数据都能正确地被模型访问和处理。 ``` ### 4.1.2 数据加载和预处理 在数据准备的第二阶段，我们需要加载数据并进行预处理。预处理步骤可能包括调整图像尺寸、归一化像素值、增强对比度等操作。 下面的代码片段将说明如何使用PyTorch的DataLoader和Dataset来加载和预处理图像数据： ```python from torchvision import transforms, datasets from torch.utils.data import DataLoader # 定义数据集的预处理步骤 transform = transforms.Compose([ transforms.Resize((640, 640)), # 调整图像大小至640x640 transforms.ToTensor(), # 将图像转换为PyTorch张量 transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 归一化 ]) # 加载数据集 train_dataset = datasets.ImageFolder(root='path/to/train', transform=transform) val_dataset = datasets.ImageFolder(root='path/to/val', transform=transform) test_dataset = datasets.ImageFolder(root='path/to/test', transform=transform) # 创建DataLoader train_loader = DataLoader(dataset=train_dataset, batch_size=16, shuffle=True) val_loader = DataLoader(dataset=val_dataset, batch_size=16, shuffle=False) test_loader = DataLoader(dataset=test_dataset, batch_size=16, shuffle=False) # 通过DataLoader，我们可以方便地迭代每个数据批次进行后续的训练操作。 ``` ## 4.2 训练过程的操作 一旦数据准备就绪，我们可以编写训练脚本并启动模型的训练过程。 ### 4.2.1 训练脚本的编写和执行 训练脚本通常包含模型定义、损失函数、优化器以及训练循环。以下是一个简化的训练脚本示例： ```python import torch import torch.nn as nn from torchvision import models # 定义模型、损失函数和优化器 model = models.yolo_v8(pretrained=True) # 假设YOLOv8模型已定义 criterion = nn.BCELoss() # 假设使用二元交叉熵损失 optimizer = torch.optim.Adam(model.parameters(), lr=1e-4) # 优化器和学习率 # 训练模型 num_epochs = 50 # 训练的轮数 for epoch in range(num_epochs): model.train() for images, labels in train_loader: # 加载训练数据 optimizer.zero_grad() # 清空梯度 outputs = model(images) # 前向传播 loss = criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新权重 print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item()}") # 训练脚本的编写是一个创造性的过程，需要根据具体模型和任务进行调整。 ``` ### 4.2.2 训练过程监控和日志记录 为了监控训练过程和便于后续的分析，记录日志是必不可少的环节。下面展示如何在训练过程中记录损失值，并将其保存为日志文件： ```python # 继续之前的训练循环 train_losses = [] # 存储训练损失的列表 for epoch in range(num_epochs): model.train() running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() # 累积损失值 avg_train_loss = running_loss / len(train_loader) train_losses.append(avg_train_loss) print(f"Epoch {epoch+1}/{num_epochs}, Loss: {avg_train_loss}") # 将训练损失保存到日志文件 with open('training_loss_log.txt', 'w') as log_file: for loss in train_losses: log_file.write(f"{loss}\n") ``` 通过上述步骤，我们能够有效地监控和记录YOLOv8模型的训练过程，为模型的进一步优化提供数据支持。 ``` # 5. YOLOv8模型评估和优化 在本章中，我们将深入了解YOLOv8模型的评估和优化策略，这涉及对模型性能的细致分析以及提升模型效率和准确度的各种方法。本章节将为读者提供一套全面的模型评估框架和优化策略，帮助读者在实际应用中对YOLOv8模型进行针对性的改进和部署。 ## 5.1 模型评估标准 ### 5.1.1 准确率和召回率 准确率（Precision）和召回率（Recall）是评估分类器性能的两个重要指标，尤其在目标检测领域中，这两个指标能直观反映模型的检测质量。 准确率是模型识别正确的正样本数占模型所有识别为正样本的比例。数学表达式为： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 其中，TP表示真正例（True Positives），即模型正确识别的正样本数量；FP表示假正例（False Positives），即模型错误识别的负样本数量。 召回率是模型识别出的真正例占实际所有正样本的比例。数学表达式为： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 其中，FN表示假负例（False Negatives），即模型错误地识别为负样本的实际正样本数量。 在实际操作中，可以使用各种工具库，如Python中的scikit-learn，来计算模型的准确率和召回率。 ```python from sklearn.metrics import precision_score, recall_score # 假设y_true是真实标签，y_pred是预测标签 precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) ``` ### 5.1.2 mAP和其他指标 均值平均精度（mean Average Precision, mAP）是一个更为综合的评估指标，它结合了准确率和召回率，并在多个类别和多个阈值下进行了平均。mAP常用于衡量目标检测模型的性能。 计算mAP涉及到以下步骤： 1. 对每个类别进行AP计算。 2. 对所有类别的AP求平均值得到mAP。 不同数据集对mAP的计算标准可能有所不同，但通常情况下，一个更高的mAP值意味着模型在检测目标时具有更高的准确度和可靠性。 在深度学习框架中，如PyTorch，可以直接使用现成的API来获取mAP值： ```python # 假设pred_boxes是模型预测的边界框，pred_scores是对应的置信度，ground_truth是真实标签 mAP = compute_mAP(pred_boxes, pred_scores, ground_truth) ``` ## 5.2 模型优化策略 ### 5.2.1 模型剪枝和量化 #### 模型剪枝 模型剪枝是一种减少模型大小的技术，通过移除冗余或不重要的参数（例如，小的权重）来简化模型结构，从而降低模型计算量和内存占用。 模型剪枝可以分为结构化剪枝和非结构化剪枝两种。结构化剪枝通常以层为单位移除参数，而不会对底层硬件造成影响；非结构化剪枝则移除单个权重，对硬件利用可能有负面影响，但能更大限度地减小模型。 #### 模型量化 模型量化将模型权重和激活从浮点数（通常是32位float）转换为低精度的数据格式（如int8或float16）。量化可以减少模型的存储需求和运行时内存占用，同时提高计算效率。 量化分为后训练量化（Post-training Quantization）和量化感知训练（Quantization-aware Training）。后训练量化简单且易于实施，但可能会影响模型的精度；量化感知训练则在训练阶段模拟低精度计算，以最小化精度损失。 ### 5.2.2 超参数调整和结构改进 #### 超参数调整 超参数调整是模型优化过程中的关键步骤，良好的超参数配置可极大提升模型性能。常用的方法包括网格搜索（Grid Search）、随机搜索（Random Search）和贝叶斯优化等。在调整过程中，需要注意不同超参数之间的交互作用。 #### 结构改进 对YOLOv8模型的结构改进，可以通过增加深度、宽度，或者引入注意力机制和残差连接等结构来提升模型表达能力。此外，改变模型架构，例如使用不同类型的卷积层（如深度可分离卷积），也能有效优化模型性能和速度。 通过分析和调整这些策略，开发者可以进一步提升YOLOv8模型在特定应用场景下的性能，满足实际需求。 # 6. YOLOv8模型部署和应用 在深度学习和计算机视觉项目中，模型的部署和应用是最终目的。YOLOv8作为一款先进目标检测模型，它在部署和应用阶段同样表现出色。本章将详细探讨YOLOv8模型的部署策略、部署工具选择以及如何将模型集成到不同的应用中去。 ## 6.1 模型转换和部署 ### 6.1.1 模型转换工具和方法 在将训练好的YOLOv8模型部署到不同平台之前，通常需要进行模型转换，以确保模型可以在特定的硬件和框架上高效运行。常用的模型转换工具有： - ONNX (Open Neural Network Exchange) - TensorFlow Lite - TorchScript 对于YOLOv8而言，可以使用ONNX进行模型的转换，以实现跨平台部署。以下是一个简单的例子，展示如何使用ONNX将PyTorch中的YOLOv8模型转换为ONNX格式： ```python import torch import onnx from models import * # Import YOLOv8 model # 加载预训练的YOLOv8模型 model = Darknet('cfg/yolov8.cfg').to('cpu') model.load_state_dict(torch.load('yolov8.pth')['model']) # 设置模型为评估模式 model.eval() # 假设我们有一个输入tensor dummy_input = torch.randn(1, 3, 640, 640) # 导出ONNX模型 torch.onnx.export(model, dummy_input, "yolov8.onnx") ``` 执行上述代码后，我们将得到一个`yolov8.onnx`文件，该文件可用于部署在各种设备和平台上。 ### 6.1.2 模型部署平台选择 部署YOLOv8模型时，根据应用场景的不同，可以选择不同的部署平台： - 服务器端：使用NVIDIA Triton Inference Server或ONNX Runtime进行高性能部署。 - 边缘设备：如使用NVIDIA Jetson系列进行边缘计算。 - 移动端：利用TensorFlow Lite在Android或iOS设备上部署模型。 - 浏览器端：采用WebAssembly结合ONNX.js实现在线检测。 选择合适的部署平台，需要考虑目标设备的计算能力、内存、功耗以及实时性需求等因素。 ## 6.2 应用开发和集成 ### 6.2.1 应用开发流程 应用开发流程通常分为以下几个步骤： 1. 需求分析：明确应用的业务需求、用户界面和性能要求。 2. 技术选型：选择合适的开发语言和框架。 3. 集成YOLOv8模型：将转换好的模型集成到应用中。 4. 用户界面设计：设计直观易用的用户交互界面。 5. 测试与优化：进行系统集成测试和性能优化。 6. 部署上线：将应用部署到服务器或设备上，并进行上线。 ### 6.2.2 模型集成和优化实例 以一个简单的视频监控系统为例，我们可以集成YOLOv8模型进行实时物体检测。以下是集成步骤： - 首先，准备视频流输入源，可以是一个实时摄像头或视频文件。 - 使用OpenCV库处理视频流，逐帧捕获。 - 将捕获的每一帧图像输入到模型中进行检测。 - 结果可视化，并在视频流上实时显示检测框和标签。 以下是一个简单的代码示例，说明如何使用OpenCV和YOLOv8模型进行实时检测： ```python import cv2 import torch from models import * # Import YOLOv8 model import numpy as np # 加载模型和预处理函数 model = Darknet('cfg/yolov8.cfg').to('cpu') model.load_state_dict(torch.load('yolov8.pth')['model']) model.eval() # OpenCV捕获视频流 cap = cv2.VideoCapture(0) # 0 表示默认摄像头 while True: ret, frame = cap.read() if not ret: break # 将图像转换为模型输入格式 img = torch.from_numpy(frame).float().permute(2, 0, 1).unsqueeze(0) / 255 img = img.to('cpu') # 模型预测 with torch.no_grad(): out = model(img) # 处理检测结果 # 此处代码省略，通常涉及非极大值抑制（NMS）等步骤 # 可视化结果 for *xyxy, conf, cls in out: label = f'{cls} {conf:.2f}' plot_one_box(xyxy, frame, label=label, color=colors[int(cls)], line_thickness=3) # 显示结果 cv2.imshow("YOLOv8 Real-Time Detection", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源 cap.release() cv2.destroyAllWindows() ``` 这个示例展示了如何将YOLOv8集成到一个简单的视频处理应用中。通过实时处理视频帧并显示检测结果，我们可以观察到模型在真实场景下的表现。 通过本章的介绍，你应当了解了YOLOv8模型如何在实际环境中进行部署和集成，并通过实际案例加深理解。接下来，我们将在实际应用中进一步优化模型，以提高其性能和适应性。