# insect_detect_mindyolo

**Repository Path**: sundaelite/insect_detect_mindyolo

## Basic Information

- **Project Name**: insect_detect_mindyolo
- **Description**: 基于华为开源的mindyolo的做的农作物病虫害识别。使用的软硬件设备为昇腾910NPU加速卡进行模型的训练和预测。
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 0
- **Created**: 2024-04-08
- **Last Updated**: 2025-02-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MindYOLO

<p align="left">
    <a href="https://github.com/mindspore-lab/mindyolo/blob/master/README.md">
        <img alt="docs" src="https://img.shields.io/badge/docs-latest-blue">
    </a>
    <a href="https://github.com/mindspore-lab/mindyolo/blob/master/LICENSE">
        <img alt="GitHub" src="https://img.shields.io/github/license/mindspore-lab/mindcv.svg">
    </a>
    <a href="https://github.com/mindspore-lab/mindyolo/pulls">
        <img alt="PRs Welcome" src="https://img.shields.io/badge/PRs-welcome-pink.svg">
    </a>
</p>

MindYOLO是[MindSpore Lab](https://github.com/mindspore-lab)开发的AI套件，实现了最先进的YOLO系列算法，[查看支持的模型算法](MODEL_ZOO.md)。

MindYOLO使用Python语言编写，基于 [MindSpore](https://mindspore.cn/) AI框架开发。

master 分支配套 **MindSpore 2.0**。

<img src="https://raw.githubusercontent.com/mindspore-lab/mindyolo/master/.github/000000137950.jpg" />


# 新增 
- 2024/04/08
添加农作物病虫害检测识别训练和推理脚本；
数据集下载地址：https://tools.obs.cn-south-292.ca-aicc.com:443/samples/insect_detect/insect_coco.tar

- 一、模型的训练使用方式：
1、基于昇腾计算中心的算力注册公共镜像：swr.cn-south-292.ca-aicc.com/cloud-c86-images/mindformers-mindspore2.2.0-euler:ca-aicc_20240118
2、将数据集和代码放在同一个路径下如我的路径：
![输入图片说明](tutorials/cloud/image0.png)
3、修改configs/coco.yaml的数据集的文件路径
4、运行python train.py即可进行模型的训练
5、训练完成后网络AI模型文件生成路径位于runs路径下对应日期的weights路径下。如下图所示：
![输入图片说明](tutorials/cloud/image11.png)
- 二、模型推理
进入mindyolo路径下，执行
python predict.py --weight=./runs/2024.xxx/weights/ yolov8s_xxx.ckpt --image_path images
注：weights红色部分训练的AI模型文件的输出路径，选择yolov8s_xxx.ckpt这个文件做验证，xxx尽量选择较大的数值的模型。images是测试的图片的路径。检测的结果会保存在output路径下，runs_infer /detect_results是保存了截取出来的文件。
示例如下所示：
python predict.py --weight=./runs/2024.xxx/weights/yolov8s_xxx.ckpt --image_path ../test/images /

![输入图片说明](tutorials/cloud/image222.png)
![输入图片说明](tutorials/cloud/image.png)
- 2023/06/15

1. 支持 YOLOv3/v4/v5/v7/v8/X 等6个模型，发布了23个模型weights，详情请参考 [MODEL ZOO](MODEL_ZOO.md)。
2. 配套 MindSpore 2.0。
3. 支持 MindSpore lite 2.0 推理。
4. 新的教程文档上线！

## 基准和模型仓库 

查看 [MODEL ZOO](MODEL_ZOO.md).

<details open markdown>
<summary><b>支持的算法</b></summary>

- [x] [YOLOv8](configs/yolov8)
- [x] [YOLOv7](configs/yolov7)
- [x] [YOLOX](configs/yolox)
- [x] [YOLOv5](configs/yolov5)
- [x] [YOLOv4](configs/yolov4)
- [x] [YOLOv3](configs/yolov3)

</details>

## 安装

查看 [INSTALLATION](docs/zh/installation.md)

## 快速入门

查看 [GETTING STARTED](GETTING_STARTED_CN.md)

## 了解 MindYOLO 的更多信息

敬请期待

## 注意

⚠️当前版本基于GRAPH的[静态Shape]((https://mindspore.cn/docs/en/r2.0/note/static_graph_syntax_support.html))。后续将添加PYNATIVE的动态Shape支持，敬请期待。

### 贡献方式

我们感谢开发者用户的所有贡献，包括提issue和PR，一起让MindYOLO变得更好。

贡献指南请参考[CONTRIBUTING.md](CONTRIBUTING.md)。


### 许可证

MindYOLO遵循[Apache License 2.0](LICENSE.md)开源协议。


### 致谢

MindYOLO是一个欢迎任何贡献和反馈的开源项目。我们希望通过提供灵活且标准化的工具包来重新实现现有方法和开发新的实时目标检测方法，从而为不断发展的研究社区服务。

### 引用

如果你觉得MindYOLO对你的项目有帮助，请考虑引用：

```latex
@misc{MindSpore Object Detection YOLO 2023,
    title={{MindSpore Object Detection YOLO}:MindSpore Object Detection YOLO Toolbox and Benchmark},
    author={MindSpore YOLO Contributors},
    howpublished = {\url{https://github.com/mindspore-lab/mindyolo}},
    year={2023}
}
```