AI/YoloDemo

Fork 0

Files

T

ShaoHua 3fa64a95f8 流程走通。（效果不行:数据集和数据标注都比较少）

2026-05-05 03:10:45 +08:00

9.0 KiB

Raw Permalink Blame History

YOLO 模型测试流程指南

本文档基于知乎文章整理，帮助你从零开始完成一个 YOLO 目标检测项目的完整流程。

1. 环境准备

1.1 安装 Python 环境

确保 Python 版本 >= 3.8

python --version

1.2 创建虚拟环境

为了避免影响全局 Python 环境，建议为项目创建独立的虚拟环境。

**方式一：使用 conda

首先安装 Anaconda 或 Miniconda：

下载 Miniconda（推荐，更轻量）：<https://docs.conda.io/en/latest/miniconda.html>
运行安装程序，勾选 "Add Miniconda to PATH"（或安装后手动配置）
验证安装：

conda --version

创建并激活虚拟环境：

# 首次使用需要接受服务条款
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2

# 切换用清华的源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

# 创建虚拟环境
conda create -n yolo_demo python=3.10 -y

# 激活虚拟环境
conda activate yolo_demo
conda env list

# 安装 pytorch（GPU 支持，需要 CUDA）
# 首先卸载 CPU 版本（如果已安装）
conda uninstall pytorch torchvision torchaudio -y

# 安装 PyTorch CUDA 版本（推荐 CUDA 12.1）
conda install -v pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y
# pip 来安装 PyTorch 更稳定
conda activate yolo_demo ; pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 验证安装是否成功
python -c "import torch; print(f'PyTorch版本: {torch.__version__}'); print(f'CUDA可用: {torch.cuda.is_available()}')"

查看已创建的环境：

conda env list

常见问题： 如果遇到 CondaToSNonInteractiveError 错误，需要先运行上面的 conda tos accept 命令接受服务条款。

验证虚拟环境已激活： 激活后，终端提示符前会显示虚拟环境名称：

(yolo_demo) D:\Codes\AI\Yolo\YoloDemo&gt;

退出虚拟环境：

# conda:
conda deactivate

1.3 安装 YOLOv8（推荐）

conda activate yolo_demo ; pip install ultralytics

1.4 验证安装

python -c "from ultralytics import YOLO; print('YOLOv8 安装成功')"

1.5 检查 GPU 支持（可选但推荐）

python -c "import torch; print(f'CUDA可用: {torch.cuda.is_available()}')"

2. 数据收集与准备

2.1 确定检测目标

首先明确你要检测的类别，例如：

car（汽车）
person（行人）
bicycle（自行车）

2.2 数据量建议

项目类型	每类最少图片	推荐图片数
快速原型	100-200 张	500 张
生产应用	1000 张	3000 张

2.3 数据来源

方式一：使用公开数据集

COCO 数据集：<https://cocodataset.org>
Open Images：<https://storage.googleapis.com/openimages>

方式二：自己拍摄/收集图片

确保图片清晰，目标可见
覆盖不同场景、光照、角度
统一格式为 JPG 或 PNG

3. 数据标注

3.1 选择标注工具

推荐使用以下工具之一：

VisioFirm（推荐标注工具）⭐
TjMakeBot（在线工具，支持 AI 辅助标注）：<https://www.tjmakebot.com>
LabelImg（本地工具）
Roboflow（在线工具）

快速启动 VisioFirm：

# 在项目根目录运行
.\start_visiofirm.ps1

详细的 VisioFirm 使用说明请查看：VisioFirm 标注工具使用指南

3.2 YOLO 标注格式说明

每张图片对应一个 .txt 文件，格式如下：

class_id center_x center_y width height

示例：

0 0.5 0.5 0.3 0.4
1 0.2 0.3 0.1 0.2

说明：

class_id：类别 ID（从 0 开始）
center_x, center_y：边界框中心点坐标（归一化 0-1）
width, height：边界框宽高（归一化 0-1）

4. 配置数据集

4.1 数据集目录结构

支持多种数据集组织方式：

方式一：VisioFirm 导出（推荐）

dataset/tags/visiofirm/20260505_01/
├── data.yaml
├── train/images/
├── train/labels/
├── val/images/
├── val/labels/
└── test/images/
    └── test/labels/

方式二：LabelImg 标注

dataset/tags/LabelImg/20260505_01/
├── data.yaml
├── train/images/
├── train/labels/
├── val/images/
├── val/labels/
└── test/images/
    └── test/labels/

4.2 配置 dataset.yaml

在项目根目录创建 dataset.yaml 文件，配置示例见：configs/dataset-traditional.yaml

关键配置项：

path: 数据集根目录（支持相对路径）
train: 训练集图片目录（相对于 path）
val: 验证集图片目录（相对于 path）
test: 测试集图片目录（相对于 path）
nc: 类别数量
names: 类别名称列表

示例配置：

path: ./dataset/tags/visiofirm/20260505_01
train: train/images
val: val/images
test: test/images

nc: 2
names:
  - person
  - bicycle

4.3 验证数据集

使用 src/validate_dataset.py 脚本验证数据集：

python src/validate_dataset.py

5. 模型训练

5.1 开始训练

使用 src/train.py 脚本训练模型：

python src/train.py

常用参数：

--config: dataset.yaml 配置文件路径（默认使用项目根目录）
--model: 预训练模型（默认: yolov8n.pt）
--epochs: 训练轮数（默认: 100）
--batch: 批次大小（默认: 16）
--imgsz: 输入图片尺寸（默认: 640）
--lr: 初始学习率（默认: 0.01）
--device: 设备（cuda/cpu，默认自动检测）

5.2 模型选择建议

模型	参数量	速度	精度	适用场景
yolov8n	3.2M	最快	较低	实时检测
yolov8s	11.2M	快	中等	平衡
yolov8m	25.9M	中等	较高	生产环境
yolov8l	43.7M	较慢	高	高精度

6. 模型评估与测试

6.1 评估模型

使用 src/evaluate.py 脚本评估模型：

python src/evaluate.py

特点：

自动查找最新训练的模型（无需手动指定路径）
支持从多个可能的位置查找已保存模型

参数：

--model: 模型路径（默认：自动查找最新模型）
--config: dataset.yaml 配置文件路径（默认使用项目根目录）
--split: 评估集（train/val/test，默认: val）

6.2 预测

使用 src/predict.py 脚本进行预测：

python src/predict.py

特点：

自动查找最新训练的模型（无需手动指定路径）
自动从 dataset.yaml 读取测试集路径

参数：

--model: 模型路径（默认：自动查找最新模型）
--source: 预测源（图片/目录，默认：读取 dataset.yaml）
--conf: 置信度阈值（默认: 0.25）
--nosave: 不保存结果（默认保存）

6.3 模型导出为 ONNX 格式

使用 src/export_onnx.py 脚本将 PyTorch (.pt) 模型导出为 ONNX 格式：

python src/export_onnx.py

特点：

自动查找最新训练的模型（无需手动指定路径）
支持模型简化，减小文件体积
可自定义输入尺寸和 ONNX opset 版本

参数：

--model: 模型路径（默认：自动查找最新模型）
--imgsz: 输入图片尺寸（默认: 640）
--simplify: 简化模型（默认: True）
--no-simplify: 不简化模型
--opset: ONNX opset 版本（默认: 12）

使用示例：

# 导出最新训练的模型（自动查找）
python src/export_onnx.py

# 导出指定模型
python src/export_onnx.py --model runs/detect/my_model/weights/best.pt

# 自定义输入尺寸
python src/export_onnx.py --imgsz 1280

# 不简化模型
python src/export_onnx.py --no-simplify

# 自定义 opset 版本
python src/export_onnx.py --opset 17

快速开始命令汇总

注意：请在项目根目录（YoloDemo）下运行以下命令

# 1. 配置 dataset.yaml（首次使用）
# 复制 configs/dataset-traditional.yaml 到项目根目录，修改 path 指向你的数据集

# 2. 验证数据集
python src/validate_dataset.py

# 3. 训练模型
python src/train.py

# 4. 评估模型（自动查找最新训练好的模型）
python src/evaluate.py

# 5. 预测（自动查找最新模型）
python src/predict.py

# 6. 导出为 ONNX 格式（自动查找最新模型）
python src/export_onnx.py

祝训练顺利！

9.0 KiB Raw Permalink Blame History Unescape Escape

YOLO 模型测试流程指南

目录

1. 环境准备

1.1 安装 Python 环境

1.2 创建虚拟环境

1.3 安装 YOLOv8（推荐）

1.4 验证安装

1.5 检查 GPU 支持（可选但推荐）

2. 数据收集与准备

2.1 确定检测目标

2.2 数据量建议

2.3 数据来源

3. 数据标注

3.1 选择标注工具

3.2 YOLO 标注格式说明

4. 配置数据集

4.1 数据集目录结构

4.2 配置 dataset.yaml

4.3 验证数据集

5. 模型训练

5.1 开始训练

5.2 模型选择建议

6. 模型评估与测试

6.1 评估模型

6.2 预测

6.3 模型导出为 ONNX 格式

快速开始命令汇总

9.0 KiB

Raw Permalink Blame History