YOLOV8实战-和平精英敌我检测

前言：

最近刷到有大佬用目标检测在做害虫密度检测，不明觉厉，心想有时间了我也要去琢磨琢磨物体检测，前几天又有人找我帮忙做cf的敌我检测，这回可是下了决心要磕一磕这个技术了，网上写YOLOV8的教程不少，但是从数据集制作、标注、训练、应用的详细教程往往不在一篇文章中，借鉴起来不是那么方便，所以我把自己摸索路上的一些笔记记录在这个平台，一来是备份，方便我将来自己寻找，二来嘛如果将来有人有相同的需求时也能有个参照

效果展示

图片展示

视频展示

简介：

【YOLOV8是啥？】

YOLOv8是Ultralytics的最新版本YOLO。作为最先进的 SOTA 模型，YOLOv8 建立在以前版本成功的基础上，引入了新功能和改进，以增强性能、灵活性和效率。

【YOLOV8能干啥？有啥应用场景？】

有应用场景能帮我们更好的掌握这项技术哦，比如我就是从病虫害检测和敌我检测开始入手学习的。
YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿势估计、跟踪和分类。这种多功能性使用户能够在不同的应用程序和域中利用YOLOv8的功能。模型中只需要设定不同的训练模型，就可以得到不同的检测结果。

接下来进入教程了

一、环境准备

1、新建一个虚拟环境

在Anaconda Prompt里面输入以下指令新建环境

conda create --name YOLOV8_1 python=3.9
1

上面代码里的–name是新建的环境名称，指定python版本为3.9，可按需更改

新建完成后，输入以下代码进入新建的虚拟环境

activate YOLOV8_1
1

2、配置第三方库

在虚拟环境里输入以下指令下载ultralytic库和labelimg库，其中调用YOLOV8在ultralytic库，数据标注要用到labelimg库

pip install ultralytics

pip install labelimg
1
2
3

3、另外我们需要通过克隆仓库到本地来获得yolov8最新版本。

github地址：，链接直达

 https://github.com/ultralytics/ultralytics
1

4、下载一个预训练模型包

github地址：，链接直达

https://github.com/ultralytics/assets/releases/tag/v8.2.0
1

网站上提供了s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），模型下载好之后和你的代码放在同级文件夹下

5、环境测试

环境准备到这里就差不多了，接下来执行代码测试一下环境搭建是否成功

测试代码

from ultralytics import YOLO
#加载模型，换成你自己的文件位置，图片也一样
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt"
source=r"C:\Users\user2580185125\Desktop\yolov8博客\测试环境.png"
#进行预测并保存
model.predict(source, save=True, imgsz=640, conf=0.7)

1
2
3
4
5
6
7
8

测试效果展示

【原图】

【效果图】

这就代表你的环境搭建好了，我们要进入下一步骤了

二、数据集制作

我们测试的图片数据来自游戏视频，当然如果你有自己的图片素材也可，爬虫也可，我先录屏自己玩游戏，之后用代码把视频帧提取出来作为我们的原始图片，在这个上面去标注

①【视频帧提取代码】

import os
import cv2
import sys
import time
#遍历指定目录下所有的视频，按照指定时间间隔截取视频帧
def save_frame(time_in_sec, file_path):
    # 打开视频文件
    cap = cv2.VideoCapture(file_path)
    # 获取视频的帧率
    fps = cap.get(cv2.CAP_PROP_FPS)
    # 获取视频的总帧数
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    duration = total_frames / fps
    num = 0
    while(num < duration):
        num = num + time_in_sec
        # 计算指定时间对应的帧数
        frame_number = int(num * fps)

        # 设置视频的当前帧
        cap.set(cv2.CAP_PROP_POS_FRAMES, frame_number)

        # 读取当前帧
        ret, frame = cap.read()
        if ret:
            timestamp = int(time.time())  # 获取当前时间戳
            save_path = f"image\\frame_{frame_number}_{timestamp}.jpg"
            # 保存当前帧为图片
            cv2.imwrite(save_path, frame)
            print("保存成功：" + save_path)
        else:
            print("读取视频帧失败")

    # 关闭视频文件
    cap.release()

def traverse_directory(directory):
    for root, dirs, files in os.walk(directory):
        for file in files:
            video_path = os.path.join(root, file)
            print(video_path)
            save_frame(2, video_path)
if __name__ == '__main__':
    # 遍历当前目录，这个换成自己的
    traverse_directory(r'D:\YOLOV8\ultralytics-main\Self_Code\视频逐帧转为图片\video')

    print("运行成功")

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

代码的同级文件夹下要新建一个image文件夹，用来存放图片的，我没写判断语句，没有的话会报错

②【图片标注】

有了图片我们就可以开始标注了，先激活虚拟环境，在虚拟环境中执行以下代码打开标注软件

labelimg
1

软件打开之后是这样的

在软件左侧选择你需要打标签的文件夹，记得文件格式选择yolo格式，注意看图片，都圈出来了，之后就可以尽情的标注了，标注好了一张图片就保存一张，这一步比较费眼睛

③【切分数据集】

标注好的数据集需要切分为训练、测试、验证数据集，执行以下代码进行一键切分，代码中需要修改原数据集存放位置和保存位置，另外就是原图片得放在一个images文件夹里面，不然会报错

切分数据集代码：

import os
import random
import shutil

# 原数据集目录
root_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\视频逐帧转为图片'
# 划分比例
train_ratio = 0.8
valid_ratio = 0.1
test_ratio = 0.1

# 设置随机种子
random.seed(42)

# 拆分后数据集目录
split_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\self_img'
os.makedirs(os.path.join(split_dir, 'train/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'train/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/labels'), exist_ok=True)

# 获取图片文件列表
image_files = os.listdir(os.path.join(root_dir, 'images'))
image_files = [file for file in image_files if file[-3:] != 'txt']

# 随机打乱文件列表
# combined_files = list(zip(image_files, label_files))
combined_files = list(image_files)
random.shuffle(combined_files)
# image_files_shuffled, label_files_shuffled = zip(*combined_files)
image_files_shuffled = combined_files
# 根据比例计算划分的边界索引
train_bound = int(train_ratio * len(image_files_shuffled))
valid_bound = int((train_ratio + valid_ratio) * len(image_files_shuffled))

# 将图片和标签文件移动到相应的目录

for i, image_file in enumerate(image_files_shuffled):
    label_file = f"{image_file.split('.')[0]}.txt"
    # 复制文件划分数据集，可以将图片和标签放在同一个文件夹下
    if i < train_bound:

        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'train/images', image_file))
        shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'train/labels', label_file))
    elif i < valid_bound:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'valid/images', image_file))
        shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'valid/labels', label_file))
    else:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'test/images', image_file))
        shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'test/labels', label_file))

print('执行完成')
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

切分好的文件夹层级是这样的

图片

标签

三、训练文件配置

新建一个yaml配置文件，放在训练代码的同级文件夹下，我这里随便取个名字叫cat.yaml,修改里面的文件存放地址，改成你自己的文件地址，names那里你有几个类就写几个类，往下加或者减，按照格式来就行

新建配置文件代码：

# 和平精英
train: D:\YOLOV8\ultralytics-main\Self_Code\self_img\train
val: D:\YOLOV8\ultralytics-main\Self_Code\self_img\valid
test: D:\YOLOV8\ultralytics-main\Self_Code\self_img\test

# Classes
names:
  0: enemy
  1: self
  2: team
  3: jilifu

1
2
3
4
5
6
7
8
9
10
11
12

另外还需要去修改你预训练模型的配置文件，这个文件是你在github那里下载下来的，图片里圈的很详细怎么找，我用的是yolov，就要去D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8文件夹修改yolov8.yaml文件夹，主要是改nc，你有几个类别就改成几我复制了一份文件，改的复制文件的内容，这样下次还能找着源文件

好，准备工作结束，即将开始训练

四、开始训练

训练有两种方式，一种是命令行训练，一种是代码训练，我个人更倾向代码训练，这样方便我找训练好的权重文件，这里两种方式都给出了

方法一：命令行训练

yolo task=detect mode=train model=yolov8n.yaml data=cat.yaml epochs=300 batch=1
1

以上参数解释如下：

• task：选择任务类型，可选[‘detect’, ‘segment’, ‘classify’, ‘init’]

• mode: 选择是训练、验证还是预测的任务蕾西 可选[‘train’, ‘val’, ‘predict’]

• model:
  选择yolov8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml

• data: 选择生成的数据集配置文件

• epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。

• batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点

方法二：代码训练

from ultralytics import YOLO

if __name__ == '__main__':
 
model = YOLO(r'D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8\yolov8_test.yaml')


model.train(model=r'D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt',data=r'D:\YOLOV8\ultralytics-main\Self_Code\cat.yaml', epochs=300 , imgsz=640, batch=1, workers=0,
            pretrained=False, save_dir=r"D:\YOLOV8\ultralytics-main\Self_Code")
1
2
3
4
5
6
7
8
9

是不是很简单

训练开始了

静静等待训练结束，看看损失函数

因为我这训练集只有58张图片，训练了300个epoch，明显是不够的，检测自己是大概率能检测出来，敌人和队友目前检测效果不是很好

五、实时检测

代码：

import cv2
from ultralytics import YOLO

# 加载YOLOv8模型
model = YOLO(r'D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train5\weights\best.pt')

# 打开视频文件
video_path = r"C:\Users\user2580185125\Desktop\5月11日.mp4"
cap = cv2.VideoCapture(video_path)

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

    if success:
        # 在帧上运行YOLOv8追踪，持续追踪帧间的物体
        results = model.track(frame, persist=True)
        # 输出每次追踪推理结果的boxes，这些参数实际上是和模型直接predict类似的。
        print(results[0].boxes)
        # 在帧上展示结果
        annotated_frame = results[0].plot()
        # 展示带注释的帧
        cv2.imshow("YOLOv8 Tracking", annotated_frame)

        # 如果按下'q'则退出循环
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # 如果视频结束则退出循环
        break

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

接下来把我们训练好的模型拿来跑一跑实时检测，发现欠缺的地方还蛮多的，如果扩充训练集和epoch，模型效果应该会更好

六、模型推理，pt转换成onnx模型

ONNX的主要优势包括：

• 框架无关性：ONNX允许开发者在PyTorch、TensorFlow、Caffe2等多个流行框架之间自由转换模型。

• 优化和加速：ONNX提供了一套优化工具，可以减少模型的大小并提高执行效率，特别是在不同硬件上部署时。

• 广泛的支持：从云计算服务到边缘设备，ONNX都能提供良好的支持，使得模型部署变得更加灵活和广泛。

推理代码：

from ultralytics import YOLO
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train\weights\best.pt")
success = model.export(format="onnx", simplify=True)  # export the model to onnx format
assert success
print("转换成功")

1
2
3
4
5
6
7
8

七、源码

源码全部公开，感兴趣的朋友可以继续开发

源码链接：

百度云盘链接

链接：https://pan.baidu.com/s/1Ci5Fpx4iBXRphQhhyR4Sig 
提取码：dp18
1
2