# Ultralytics YOLOv8 **Repository Path**: blue-net-vision/ultralytics-yolov8 ## Basic Information - **Project Name**: Ultralytics YOLOv8 - **Description**: 快速上手YOLOv8并在streamlit上实践模型 - **Primary Language**: Python - **License**: MIT - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2024-04-21 - **Last Updated**: 2024-04-23 ## Categories & Tags **Categories**: Uncategorized **Tags**: YOLOv8, roboflow ## README # Ultralytics YOLOv8 #### 介绍 快速上手YOLOv8并在streamlit上实践模型 [官方快速学习通道](https://docs.ultralytics.com/modes/) * 因为上面链接讲的非常完备,足够让你quick start # 数据收集-->预模型加载-->模型训练-->模型预测 全套大礼包 ## 1.conda创建自己的虚拟环境 安装库 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple pip install roboflow -i https://pypi.tuna.tsinghua.edu.cn/simple ## 2.图片数据下载 [这里搜索你想识别的任何图片数据集(同时也包括分割,分类等)](https://universe.roboflow.com/) tips:这些数据集是开箱即用,都是已经做好标签和分好类的了 ### 下载流程 点击download ![点击download](https://gitee.com/blue-net-vision/ultralytics-yolov8/raw/master/pic/2.png) 点击continue ![点击continue](https://gitee.com/blue-net-vision/ultralytics-yolov8/raw/master/pic/1.png) 点击复制然后粘贴到你的代码单元格上 ![点击复制](https://gitee.com/blue-net-vision/ultralytics-yolov8/raw/master/pic/3.png) ## 3.官方做法是在Colab(云主机,有限时的GPU资源)上实现,这对只有cpu电脑的人较友好,因为cpu根本跑不动 本地实现(使用ipynb): 导入库 from ultralytics import YOLO import os from IPython.display import display, Image from IPython import display display.clear_output() !yolo mode=checks 然后粘贴上面的图片数据的下载代码,运行后就会将数据下载到当前目录,点击目录,修改data.yaml,将里面三个路径改为train,test,val的绝对路径(可以不改路径先训练,看看是否报错) 然后就是CLI式一段代码训练: !yolo task=detect mode=train model=yolov8m.pt data={dataset.location}/data.yaml epochs=20 imgsz=640 这里训练完呢会在你的weights文件夹中生成一个best.pt,就是你训练得到的模型。 ## 4.val & predict(可以跳过) !yolo task=detect mode=val model=/path/to/pt data={dataset.location}/data.yaml !yolo task=detect mode=predict model=/path/to/pt conf=0.5 data={dataset.location}/data.yaml ## 5.实例 !yolo task=detect mode=predict model=/content/runs/detect/train/weights/best.pt conf=0.5 source='path/to/your_pic_or_video' 打开外接摄像头进行实时识别,save是保存视频流,show是有视频流输出,跟cv2.imshow()一样 !yolo task=detect mode=predict model=RGB.pt conf=0.5 source=1 show=True save=True