如何使用 YOLOv8 做对象检测_yolo对象检测

介绍

对象检测是一项计算机视觉任务，涉及识别和定位图像或视频中的对象。它是许多应用的重要组成部分，例如自动驾驶汽车、机器人和视频监控。

多年来，已经开发了许多方法和算法来查找图像中的对象及其位置。卷积神经网络对于此类任务有着非常好的性能和质量。

用于此任务的最流行的神经网络之一是 YOLO，由 Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi 在 2015 年在他们著名的研究论文“You Only Look Once: Unified, Real-Time Object Detection”中创建。

从那时起，YOLO 已经出现了相当多的版本。最近的版本可以做的不仅仅是对象检测，还可做对象分割、对象追踪等、姿势识别等任务，本系列文章展示了如何使用YOLOv8。

本系列文章分为3个大模块：

1. 如何使用对象识别：我们将使用预先训练的好的模型来检测常见的对象类，比如猫和狗。
2. 如何训练自己的模型：我将展示如何训练自己的模型来检测您选择的特定对象类型，以及如何准备训练数据。
3. 应用模型：最后将创建一个 Web 应用程序，使用自定义训练模型直接在 Web 浏览器中检测图像上的对象。

YOLOv8适用场景

YOLOv8可以解决分类、对象检测和图像分割问题。所有这些方法都以不同的方式检测图像或视频中的对象，如下图所示：

1. 图像分类任务: 识别图像上的对象类别并返回其类型名称和置信度。例如，左侧图像实例中中，它识别是“cat”。并且该预测的置信度为 92% (0.92)。
2. 对象检测任务：除了获取图片上物体类型名称和置信度之外，还返回物体在图像上的边框，包括位置坐标xy、边框宽度和边框高度。如第二张图所示。此外，对象检测可以检测图像上的多个对象及其边界框。
3. 图像分割任务：除了识别对象类型和边界框之外，图像分割还可以检测对象的形状，如上述的右图所示。

在本文中，讨论如何使用 YOLOv8 的对象检测， 我将创建一个 Web 应用程序，用它来检测图像上的交通灯和路标。在本系列的后续的其他文章中，我将介绍其他功能，包括图像分割。

YOLOv8 入门

从本质上讲，YOLOv8 是一组卷积神经网络模型，使用 PyTorch 框架。

此外，YOLOv8 提供了 Python API，我们也会利用Python在Jupyter环境中展示内容。

我们在Jupyter中建立对应的notebook，然后过运行以下命令在其中安装 YOLOv8 包：

!pip install ultralytics
1

接着，导入YOLO包：

from ultralytics import YOLO
1

现在一切准备就绪，可以创建模型了：

model = YOLO("yolov8m.pt")
1

YOLOv8 是一组神经网络模型，这些模型使用 PyTorch 创建和训练的，并导出到扩展名为 .pt 的文件。存在三种类型的模型，每种类型有 5 个不同尺寸的模型：

使用的模型越大，可以实现的预测质量就越好，但运行速度就越慢。在本文中，我使用“yolov8m.pt”，它是用于对象检测的中型模型。

第一次运行此代码时，它将从 Ultralytics 服务器下载 yolov8m.pt 文件到当前文件夹，然后创建 YOLO 对象。现在可以使用该对象完成以下任务：

• train： 用于在图像数据集上训练模型。
• predict： 用于对指定图像进行预测，例如检测模型可以在此图像上找到的所有对象的边界框。
• export： 用于将此模型从默认 PyTorch 格式导出为指定格式。

所有官方的 YOLOv8 模型均已在 COCO 数据集 上进行预训练，该数据集是 80 种类型的图像的大集合。

假设我们有张图像名为"cat_dog.jpg"：

运行predict以检测其上的所有对象：

results = model.predict("cat_dog.jpg")
1

predict 方法接受许多不同的输入类型，包括单个图像的路径、图像路径数组等。

通过模型运行输入后，它会返回每个输入图像的结果数组。由于我们只提供了单个图像，因此它返回一个包含单个项目的数组，可以通过以下方式提取该数组：

result = results[0]
1

result包含检测到的对象以及使用它们的属性。其中最重要的是 boxes 数组，包含有关图像上检测到的边界框的信息。您可以通过运行 len 函数来确定检测到的对象数量：

len(result.boxes)
1

当我运行此代码时，输出是“2”，这意味着检测到两个对象。

然后，循环或手动分析每个框。先看第一个：

box = result.boxes[0]
1

box 对