零基础yolov8实时检测_用yolov8训练完后,如何用视频进行测试?

零基础实现yolov8实时检测

1.前言

• 操作系统：window、Ubuntu下均可，本文中演示的是在win11系统下。

• 软件准备：anaconda，没装的请自行安装。

• 本项目调用官方开源yolov8模型实现本地摄像头及视频的检测，详细模型调用方法等请参考官方文档及官方GitHub项目。

2.创建一个新的文件夹，在该文件夹下打开terminal

3.使用conda创建一个名叫yolo的虚拟环境

conda create -n yolo python=3.8
1

4.激活虚拟环境

conda activate yolo
1

​ 最前面会出现当前python环境名称

5.安装ultralytics包

pip install ultralytics
1

​ 会顺带一起安装很多包，包括pytorch，opencv等。

​ 下载的pytorch是cpu版本的，可以自行下载gpu版本的，检测速度应该会更快。

6.在命令行尝试调用官方提供的接口

官方文档相关内容：

---

YOLOv8 可以在命令行界面（CLI）中直接使用，只需输入 yolo 命令：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
1

yolo 可用于各种任务和模式，并接受其他参数，例如 imgsz=640。查看 YOLOv8 CLI 文档以获取示例。

---

​ 我使用位于C:\Users\10925\Pictures\1.jpg的图片直接在命令行进行演示

​ 他首先会下载yolo模型的权重文件yolov8.pt，并保存在当前文件夹下。建议每次使用yolo时都在该文件夹下打开，不然每次都会重新下载一次权重文件。

​ 显示处理完成的结果保存在runs\detect\predict，这个也是在当前文件夹下创建的

原图：

经过官方的yolo模型接口处理后的结果：

7.调用本地摄像头实时检测

​ 处理方式：持续从本地摄像头捕获帧并使用yolo对每一帧进行处理

7.1.使用官方写好的方法处理原图像

方法1：只可视化实时检测结果，不保存任何内容

​ 这种情况下如果同时设置save = True只会保存目前处理的最后一帧的检测图，如果想保存成视频的参考接下来的方法2.
（注：如果单纯输入的source是视频文件的话，设置save = True可以保存完整处理完毕视频）

import cv2
from ultralytics import YOLO

# 加载 YOLOv8 模型
model = YOLO("yolov8n.pt")

# 获取摄像头内容，参数 0 表示使用默认的摄像头
cap = cv2.VideoCapture(0)

while cap.isOpened():
    success, frame = cap.read()  # 读取摄像头的一帧图像

    if success:
        model.predict(source=frame, show=True)  # 对当前帧进行目标检测并显示结果

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

cap.release()  # 释放摄像头资源
cv2.destroyAllWindows()  # 关闭OpenCV窗口

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

运行结果：

方法2：可视化实时检测结果并保存检测结果视频

​ 可以自行修改代码设置保存检测结果视频的尺寸、时间长度等。

import cv2
from ultralytics import YOLO

# 载入 YOLOv8 模型
model = YOLO('yolov8n.pt')

# 获取摄像头内容
cap = cv2.VideoCapture(0)

# 获取原视频的宽度和高度
original_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
original_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

# 设置新的视频帧大小
new_width = 1280
new_height = 720

# 设置保存视频的文件名、编解码器和帧速率
output_path = "output_video.avi"  # 替换为你的输出视频文件路径
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter(output_path, fourcc, 20.0, (original_width, original_height))

# 循环遍历视频帧
while cap.isOpened():
    # 从视频中读取一帧
    success, frame = cap.read()

    if success:
        # 对帧运行 YOLOv8 推理
        results = model(frame)

        # 在帧上可视化结果
        annotated_frame = results[0].plot()

        # 显示带有标注的帧
        cv2.imshow("YOLOv8 推理", annotated_frame)

        # 将帧写入输出视频
        out.write(frame)

        # 如果按下 'q' 键，则中断循环
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # 如果达到视频结尾，中断循环
        break

# 释放视频捕获对象并关闭显示窗口
cap.release()
cv2.destroyAllWindows()
out.release()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

7.2.根据模型返回数据自己处理原图像

可以自己设置检测框以及检测标签的样式，相关模型返回数据及处理方式请参考官方文档

import cv2
from ultralytics import YOLO

# 加载 YOLOv8 模型
model = YOLO("yolov8n.pt")

# 获取摄像头内容
cap = cv2.VideoCapture(0)

# 获取视频内容
# video_path = "1.mp4"  # 替换为你的视频文件路径
# cap = cv2.VideoCapture(video_path)

# 获取原视频的大小
# original_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
# original_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

# 设置新的视频帧大小
# new_width = 1280
# new_height = 720

# 设置保存视频的文件名、编解码器和帧速率
# output_path = "output_video.avi"  # 替换为你的输出视频文件路径
# fourcc = cv2.VideoWriter_fourcc(*'XVID')
# out = cv2.VideoWriter(output_path, fourcc, 20.0, (original_width, original_height))


while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 调整帧的大小
    # frame = cv2.resize(frame, (new_width, new_height))

    # 使用模型进行目标检测,并返回相应数据
    results_list = model.predict(source=frame)

    # 获取每个结果对象并进行处理
    for results in results_list:
        if results.boxes is not None:
            xyxy_boxes = results.boxes.xyxy
            conf_scores = results.boxes.conf
            cls_ids = results.boxes.cls

            for box, conf, cls_id in zip(xyxy_boxes, conf_scores, cls_ids):
                x1, y1, x2, y2 = map(int, box)
                cls_id = int(cls_id)
                label = model.names[cls_id]
                confidence = f"{conf:.2f}"

                # 颜色
                rectangle_color = (0, 255, 0)
                label_color = (0, 0, 255)

                # 在图像上绘制矩形框和标签
                cv2.rectangle(frame, (x1, y1), (x2, y2), rectangle_color, 2)
                cv2.putText(frame, f"{label} {confidence}", (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, label_color,2)

    # 显示图像
    cv2.imshow('YOLOv8 Real-time Detection', frame)

    # 将帧写入输出视频
    # out.write(frame)

    # 如果按下 'q' 键，则中断循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放视频文件和输出视频
cap.release()
cv2.destroyAllWindows()
# out.release()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74

运行结果：

8.参考链接

yolov8官方文档

yolov8官方GitHub项目