---
disqus: ahb0222
GA : G-VF9ZT413CG
---
# YOLOv8初體驗_環境安裝及基本教學_特定物品影像辨識_以煙囪排放黑白煙為例
> [color=#40f1ef][name=LHB阿好伯, 2021/07/16][:earth_africa:](https://www.facebook.com/LHB0222/)

[TOC]

# YOLO影像辨識基本架構

在使用Python進行特定物品辨識時，需要創建數據集、訓練模型並部署應用。
數據集標註：使用Label Studio或Roboflow標註你的圖像數據集，生成YOLO或Pascal VOC格式的標註文件。
數據增強：使用Roboflow進行數據增強，增加數據集的多樣性。
模型訓練：選擇TensorFlow 2或PyTorch，並使用Detectron2等工具訓練你的模型。
模型部署：使用TensorFlow Serving或TorchServe將模型部署到生產環境中，並使用Flask或Django構建API，提供模型服務。

## 數據集創建

### [Label Studio](https://labelstud.io/)

Label Studio 是一個開源數據標記工具
簡單明瞭的UI標記音訊、文字、圖像、視頻和時間序列等數據類型
並匯出為各種模型格式
可用於準備原始數據或改進現有訓練數據
以獲得更準確的 ML 模型。

### [CVAT](https://www.cvat.ai/)
CVAT是一種互動式視頻和圖像註釋 計算機視覺工具。

### [MakeSense.ai](https://www.makesense.ai/)
makesense.ai 是一個免費使用的在線工具，用於標記照片。由於使用了瀏覽器

### 推薦[Roboflow](https://app.roboflow.com/)
* 數據預處理和清理：Roboflow 提供工具來清理、轉換和增強圖像數據，提高模型訓練質量和性能。
* 數據標註： 使用 Roboflow 的圖像標註工具為圖像中的對象繪製邊界框並添加分類標籤。
* 模型訓練：選擇適合的架構並使用 Roboflow 訓練計算機視覺模型，支持 TensorFlow 和 PyTorch 等深度學習框架。
* 模型評估和優化：使用 Roboflow 評估工具檢查模型在測試數據集上的表現，並進行模型調優。
* 模型部署：將訓練好的模型部署到本地環境、移動設備或雲端。
* 集成和 API：使用 Roboflow 的 API 將計算機視覺功能集成到您的應用程序中，以便自動處理圖像數據並執行預測。

推薦的原因是他輸出的YOLO資料格式可以直接使用XD
但免費版只能有三個專案QQ
就算想加錢一個月200美金不是我們這種偶爾使用的可以負擔QQ

標記的過程也非常簡單
不管是Label Studio或是Roboflow整個UI設計使用上都不困難


創建yaml來紀錄這些資料的位置跟標籤資訊
如以下yaml的內容

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 3
names: ['black-smoke', 'flame', 'white smoke']

## 模型訓練

- 安裝YOLO `pip install ultralytics`


- 開始模型訓練

from ultralytics import YOLO
model = YOLO("yolov8n.pt")
results = model.train(data="D:/YORO/data.yaml", epochs=50, imgsz=640)


from ultralytics import YOLO
model = YOLO("yolov8n.pt")
results = model.train(
    data="D:/YOLO3/data.yaml",
    epochs=50,
    imgsz=640,
    batch=64,  # 增加批次大小
    workers=64,  # 增加數據加載器的工作數
    amp=True,
    cos_lr=True,
    hsv_h=0.015,
    hsv_s=0.3,
    hsv_v=0.2,
    fliplr=0.2,
    mosaic=0.2,
    mixup=0.0
)

- 察看結果




- 進一步調整模型訓練

results = model.train(
    data="D:/YOLO3/data.yaml",  # 指定數據集配置文件的路徑
    epochs=150,                 # 訓練的輪次設置為100
    imgsz=640,                  # 輸入圖像的大小設置為640
    batch=128,                  # 批次大小設置為128，增加批次大小以提高訓練效率
    workers=128,                # 數據加載器的工作數設置為128，增加數據加載效率
    amp=True,                   # 啟用自動混合精度（AMP）以加速訓練並節省內存
    cos_lr=True,                # 使用餘弦退火學習率調度器
    #hsv_h=0.015,                # 色調變化範圍設置為0.015
    #hsv_s=0.3,                  # 飽和度變化範圍設置為0.3
    #hsv_v=0.2,                  # 亮度變化範圍設置為0.2
    #fliplr=0.2,                 # 水平翻轉的概率設置為0.2
    #mosaic=0.2,                 # 馬賽克增強的概率設置為0.2
    #mixup=0.0                   # 混合增強的概率設置為0.0
)


經過調整級增加訓練次數可以看到整個模型有變得更好

| 指標 | 模型1 (train15, 100輪訓練) | 模型2 (train14, 50輪訓練) |
| --- | --- | --- |
| **訓練損失** | | |
| - box_loss | 0.5724 | 1.254 |
| - cls_loss | 0.9321 | 1.858 |
| - dfl_loss | 1.067 | 1.531 |
| **驗證損失** | | |
| - box_loss | 0.658 | 0.789 |
| - cls_loss | 0.453 | 0.267 |
| - dfl_loss | 0.477 | 0.243 |
| **精度 (Precision)** | 0.966 | 0.729 |
| **召回率 (Recall)** | 0.995 | 0.393 |
| **mAP50** | 0.486 | 0.207 |
| **mAP50-95** | 0.172 | 0.115 |
| **訓練時間** | 1.359 小時 | 0.711 小時 |
| **處理速度** | 0.9ms preprocess, 177.2ms inference, 5.2ms postprocess per image | 2.9ms preprocess, 175.9ms inference, 22.8ms postprocess per image |

## 模型測試

from ultralytics import YOLO

# 加載訓練好的模型
model = YOLO("runs/detect/train17/weights/best.pt")

# 測試單張圖像
results = model.predict(source="D:/YOLO3/123.jpg", save=True, imgsz=640)
print(results)

# 測試文件夾中的多張圖像
results = model.predict(source="path/to/your/images_folder", save=True, imgsz=640)
print(results)

# 測試視頻
results = model.predict(source="D:/YOLO3/黑煙測試影片.mp4", save=True, imgsz=640)
print(results)
results = model.predict(source="D:/YOLO3/黑煙測試影片.mp4", save=True, imgsz=640)


from ultralytics import YOLO

# 加載訓練好的模型
model = YOLO("runs/detect/train15/weights/best.pt")

# 測試視頻並逐幀處理
results = model.predict(source="D:/YOLO3/黑煙測試影片.mp4", stream=True, imgsz=640, save=True)

# 逐幀處理結果
for r in results:
    boxes = r.boxes  # Boxes object for bbox outputs
    masks = r.masks  # Masks object for segment masks outputs
    probs = r.probs  # Class probabilities for classification outputs
    print("Boxes:", boxes)
    print("Masks:", masks)
    print("Probs:", probs)


# 測試攝像頭（例如內置或外接攝像頭）
results = model.predict(source=0, save=True, imgsz=640)  # 0表示默認攝像頭
print(results)

找到網路上新聞的影片來進行測試
:::success
HackMD檔案限制有簡化GIF畫質
:::

🌟

🌟全文可以至下方連結觀看或是補充

全文分享至

https://www.facebook.com/LHB0222/

https://www.instagram.com/ahb0222/

有疑問想討論的都歡迎於下方留言

喜歡的幫我分享給所有的朋友 \o/

有所錯誤歡迎指教

# [:page_with_curl: 全部文章列表](https://hackmd.io/@LHB-0222/AllWritings)