对yoloV8进行标签过滤来实现行人检测_yolov8检测物品在哪里过虑

前言

上一章我们介绍的通过迁移学习，在新的行人数据集上使用已经学习到的特征和权重，从而更快地实现行人检测任务。模型就会调整其参数以适应新的数据集，以提高对行人的识别性能。接下来介绍一种更快更便捷的方法，依旧是基于yolov8。

标签过滤方法

在这种方法中，不对模型进行重新训练，而是在模型输出的基础上，通过筛选、过滤标签来达到特定的识别目标。以下详细介绍这种方法：
1.模型输出： 首先使用一个预训练好的目标检测模型来对图像进行检测。
这些模型已经在大型数据集上进行了训练，学习到了各种不同类别的目标的特征。

2.目标标签过滤： 接下来，从模型的输出结果中提取目标的标签信息。这些标签通常包含了检测到的目标类别（如人、车、狗等）、位置（边界框坐标）、置信度分数等信息。

3.选择感兴趣的类别： 在标签过滤的过程中，根据任务需求选择感兴趣的目标类别。例如，只对行人感兴趣，您可以只保留标签为“行人”的目标检测结果，而过滤掉其他类别的目标。

4.阈值处理： 除了选择感兴趣的类别外，还可以根据置信度分数来进行阈值处理。通常情况下，模型会为每个检测到的目标分配一个置信度分数，表示该目标存在的概率。您可以根据设定的阈值来过滤掉低置信度的检测结果，以确保只保留可信度较高的目标。

5.结果可视化或保存： 最后，将经过标签过滤处理后的目标检测结果进行可视化或保存。通常，可以将过滤后的结果在图像或视频中标注出来，以便后续分析或应用。

完整的demo

只需要运行这段推理脚本即可。

import cv2
from ultralytics import YOLO
# 加载YOLOv8模型
model = YOLO('yolov8n.pt')  # 你可以选择其他模型，例如yolov8s.pt, yolov8m.pt等
image_path = 'test-img/ms.jpg'  # 替换为你的图像路径
image = cv2.imread(image_path)
# 使用模型进行检测
results = model(image)
# 筛选出标签为"person"的检测结果（COCO数据集中，类别0通常为'person'）
person_results = [result for result in results[0].boxes if result.cls[0] == 0]
# 绘制检测到的"person"的边界框
for box in person_results:
    x1, y1, x2, y2 = map(int, box.xyxy[0])
    confidence = box.conf[0]
    label = f"person {confidence:.2f}"
    cv2.rectangle(image, (x1, y1), (x2, y2), (0, 0, 255), 3)
    cv2.putText(image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 4)
# 保存结果图像
output_path_person_only = 'person_only_detected_image1.jpg'
cv2.imwrite(output_path_person_only, image)
print(f"检测结果已保存到 {output_path_person_only}")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

原始检测结果

标签过滤后的检测结果

两种方法的区别

迁移学习优缺点：

优点：

• 目标定制化： 重新训练模型可以针对特定的任务和数据集进行优化，可以更好地满足特定需求，提高模型性能和准确性。
• 灵活性： 可以调整模型架构、超参数和训练策略，以适应不同的数据特征和应用场景，具有更大的灵活性。
• 更适应新任务： 重新训练模型可以使其更适应新的目标类别、背景和环境变化，提高泛化能力和适应性。

缺点：

• 时间和资源消耗： 需要花费大量时间和计算资源来重新训练模型，特别是对于大型数据集和复杂模型而言。
• 数据标注需求： 需要大量标注好的数据集来进行重新训练，标注过程可能耗时耗力。
• 潜在过拟合： 重新训练模型可能会导致过度拟合于新数据集，特别是当新数据集相对较小或与原始数据集有显著差异时

过滤标签的优缺点：

优点：

• 简单快速： 只需要对已有模型的输出进行简单的标签过滤，不需要重新训练模型，过程简单快速。
• 资源消耗低： 不需要重新分配大量的计算资源和时间，适用于资源有限或时间紧迫的情况。
• 保留原模型特性： 可以保留原始模型在大型数据集上学到的丰富特征和知识，避免了重新训练可能带来的性能下降。

缺点：

• 限制性： 受限于原始模型在预训练数据集上学习到的特征和知识，可能无法很好地适应新任务和数据集，性能可能受限。
• 无法完全定制化： 无法对模型架构和参数进行定制化调整，可能无法满足特定需求。
• 可能导致误差传播： 对于一些复杂的数据集和场景，简单的标签过滤可能会导致误差传播，影响最终的检测性能。

总结

没有最好的方法，只有最合适的方法。