有奖征文详情

一、数据集准备与标注
（一）准备自定义数据集
自定义数据集顾名思义就是通过自己收集的图像，进行标注得到图像文件+标注文件。

1.轮毂图像

我们利用工业相机采集了A、B风格两种轮毂各100张共200张图像。新建一个文件夹命名为datasets，新建子文件夹data，再在data下新建子文件夹images，将所有图像放置于images中。以便后续标注及数据拆分。

即：datasets\data\image***r/>


2.轮胎图像

通过对轮胎进行补光，利用OpenCVSharp以及YOLO，得到水平展开的轮胎图像。

（二）图像标注
标注工具：X-AnyLabeling

教程：https://blog.csdn.net/CVHub/article/details/135707749

官网：https://github.com/CVHub520/X-AnyLabeling/tree/main

1.人工标注

①打开“X-AnyLabeling-GPU.exe”或“X-AnyLabeling-CPU.exe”；




②左上角“文件”-“打开文件夹”，选择上述轮毂图像所在文件夹datasets\data\image****r/>
③左上角“文件”-“自动保存”，记得进行选择；

④左上角“文件”-“更改输出目录”，在datasets\data路径下新建一个json文件夹，并选定datasets\data\json，后续标注文件将以.json格式保存至此；

⑤开始标注，框选目标（目标检测任务采用矩形框，实例分割任务采用多边形，目标检测含方向检测OBB采用旋转框）。在框选目标后填写标签名称（暂不支持中文）；



⑥如图所示，对A/B风格轮毂*1、黑色轮毂盖H标牌*1、白色螺栓*5进行标注；

⑦以此类推，完成剩余图像的标注，标注后的数据文件将自动储存在datasets\data\json；

⑧由于yolo支持的标注文件格式为.txt，因此需“导出”-“导出YOLO标签”，会弹出对话框提示选择class.txt文件，在datasets\data路径下新建一个“class.txt”文件，内容填写为标注时的标签名称0-WheelStyle A、1-Black H Logo、2-WheelStyle B、3-White bolt，并选择此class.txt文件；

⑨提示成功导出YOLO标签文件，路径为datasets\data\label****r/>
⑩至此，我们得到图像文件夹images以及标签文件夹label****r/>

 

2.AI自动标注

教程：https://zhuanlan.zhihu.com/p/636164570

使用AI自动标注功能需要有初步训练好模型并转换为onnx模型（后续模型导出环节会提及）以及.yaml配置文件（可参考教程）。

①打开“X-AnyLabeling-GPU.exe”或“X-AnyLabeling-CPU.exe”；

②左上角“文件”-“打开文件夹”，选择上述轮毂图像所在文件夹datasets\data\image****r/>
③假设已完成一次轮毂模型的训练，获得best.pt模型文件并转换为best.onnx模型；

④新建一个Auto.txt文件，并更改后缀为.yaml，使用记事本打开，填写模型配置信息；

⑤将配置文件Auto.yaml以及模型best.onnx放在同一目录下；



⑥左侧工具栏-AI“自动标注”，加载自定义模型，选择Auto.yaml；

⑦加载模型后，点击左侧工具栏-一次运行所有图片，自动进行标注。

⑧由于模型的不确定性，需进行人工的二次检查及必要的修正。

⑨标签的导出同上述人工标注一致，至此我们得到图像文件夹images以及标签文件夹label****r/>
二、数据集拆分

（一）图像及标签拆分
1.创建拆分文件

①在datasets路径下新建一个split.py的python文件，填写以下代码，并运行；

②处理完成后将在datasets路径下自动生成用于训练的图像路径datasets/images/train、用于评估的图像路径datasets/images/val、用于训练的标签路径datasets/labels/train、用于评估的标签路径datasets/labels/val；

③注意比例train_ratio，以及图像格式.bmp可根据需要修改；

import os
import random
import shutil

# 输入文件夹路径和划分比例
folder_path_jpg = "data/images"
folder_path_txt = "data/labels"
train_ratio = 0.8

# 检查文件夹是否存在
if not os.path.exists(folder_path_txt):
print("文件夹不存在！")
exit()

# 获取所有bmp和txt文件
jpg_files = [file for file in os.listdir(folder_path_jpg) if file.endswith(".bmp")]
txt_files = [file for file in os.listdir(folder_path_txt) if file.endswith(".txt")]

# 检查文件数量是否相等
if len(jpg_files) != len(txt_files):
print("图片和标签数量不匹配！")
exit()

# 打乱文件顺序
random.shuffle(jpg_files)

# 划分训练集和验证集
train_size = int(len(jpg_files) * train_ratio)
train_jpg = jpg_files[:train_size]
train_txt = [file.replace(".bmp", ".txt") for file in train_jpg]
val_jpg = jpg_files[train_size:]
val_txt = [file.replace(".bmp", ".txt") for file in val_jpg]

# 创建文件夹和子文件夹
if not os.path.exists("images/train"):
o***akedirs("images/train")
if not os.path.exists("images/val"):
o***akedirs("images/val")
if not os.path.exists("labels/train"):
o***akedirs("labels/train")
if not os.path.exists("labels/val"):
o***akedirs("labels/val")

# **文件到目标文件夹
for file in train_jpg:
shutil.copy(os.path.join(folder_path_jpg, file), "images/train")
for file in train_txt:
shutil.copy(os.path.join(folder_path_txt, file), "labels/train")
for file in val_jpg:
shutil.copy(os.path.join(folder_path_jpg, file), "images/val")
for file in val_txt:
shutil.copy(os.path.join(folder_path_txt, file), "labels/val")

print("处理完成！")

（二）配置文件
在datasets路径下新建一个data.txt文件，并更改文件后缀为.yaml，填写以下内容，后续模型训练时，需要填写此文件的路径：

至此，数据集已完成准备，可进行下一步模型训练。



三、模型训练

（一）预训练模型下载
1.官方下载地址：https://docs.ultralytics.com/task***r/>
2.可根据电脑性能选用不同大小的模型，所需资源由低至高是n、***、l、x，一般采用n或****r/>


3.解压从GitHub获取YOLOv8项目源码“ultralytic***ain.zip”；

4.在ultralytic***ain路径下新建一个weights文件夹，将下载的预训练模型放置其中；

（二）训练参数设定
1.yolov8的训练参数路径为：ultralytic***ain/ultralytics/cfg/default.yaml；

2.官方文档：https://docs.ultralytics.com/modes/train/#argument***r/>
3.此default.yaml参数注释为英文，中文注释可参考：https://blog.csdn.net/X_Co**ic/article/details/136072743

（三）开始模型训练
1.选择上文环境配置成功后的Python 3.8 (yolov8)作为本项目Python解析器；

2.如果遇到报错缺少某个库，则安装对应的库；



3.在终端进行模型训练；

在PyCharm底部导航栏有“终端”，进入后如果解析器配置正确则会在前面显示(yolov8)，输入命令：yolo cfg=ultralytics/cfg/default.yaml，即采用修改设定好的参数文件进行训练。




训练过程中主要留意每个批次的mAP50以及mAP50-95的值，是否逐渐增大且接近于1；

mAP（mean Average Precision）在机器学习中的目标检测领域，是十分重要的衡量指标，用于衡量目标检测算法的性能。一般而言，全类平均正确率（mAP，又称全类平均精度）是将所有类别检测的平均正确率（AP）进行综合加权平均而得到的。

4.模型训练结果

结果解析说明：https://blog.csdn.net/matt45m/article/details/135620472

在完成模型训练后，一般在ultralytic***ain路径下自动生成runs-detect-train文件夹，储存训练结果以及weights目录下训练完成后的模型文件best.pt（最优模型）和last.pt（最后模型）。



（四）进行模型推理
1.利用模型训练后得到最佳模型best.pt进行图像推理，在终端进行推理；

在终端处填入：

yolo task=detect mode=predict model=runs/detect/train/weight***est.pt source=testimgs/'Image (1).bmp' show=True
代码说明：yolo-任务-模式-模型路径-图像路径-展示

四、模型导出

YOLOv8可导出的模型：



（一）导出为ONNX模型
1.ONNX模型说明：

介绍链接：https://blog.csdn.net/qq_44231797/article/details/140504803

ONNX（Open Neural Network Exchange，开放式神经网络交换格式）是一种模型文件格式，它在模型训练和模型推理中间提供了中间桥梁，使得上游不同的训练框架都能导出ONNX格式的模型，给到下游不同的推理框架都可以读取ONNX进行部署。



2.YOLOv8导出ONNX模型

在ultralytic***ain目录下创建一个pt2onnx.py的Python文件，填入以下代码并运行：

from ultralytics import YOLO

# load model 需转换的pt模型
model = YOLO('runs/detect/train/weight***est.pt')

# Export model
succes*****odel.export(format="onnx")

如上图，在运行信息中，需要记录模型的输入大小（1,3,640,640）以及模型输出大小（1,8,8400）。

输出成功后，将在runs/detect/train/weight***est.pt同目录下生成best.onnx模型文件。

3.查看ONNX模型结构

网址：https://netron.app/