网站颜色配色广西南宁最新新闻事件

当前位置： 首页 > news >正文

网站颜色配色,广西南宁最新新闻事件,阳江房产网查询系统,电商网站的人员团队建设目录 1.项目克隆和环境配置1.1 我这里使用的是v8.0.6版本1.2 项目代码结构介绍 2.数据集介绍2.1 数据集采集2.2采集结果介绍 3.模型训练4.pyqt界面设计4.1 界面内容介绍4.2 界面实现 5.操作中的逻辑实现5.1 图片检测5.2 文件夹检测5.3 视频检测和摄像头检测 6. 效果展示 1.项目… 目录 1.项目克隆和环境配置1.1 我这里使用的是v8.0.6版本1.2 项目代码结构介绍 2.数据集介绍2.1 数据集采集2.2采集结果介绍 3.模型训练4.pyqt界面设计4.1 界面内容介绍4.2 界面实现 5.操作中的逻辑实现5.1 图片检测5.2 文件夹检测5.3 视频检测和摄像头检测 6. 效果展示 1.项目克隆和环境配置 1.1 我这里使用的是v8.0.6版本 这里为了方便学习我使用的是旧的版本先从官网上Tag下找到v8.0.6版本的安装包然后下载解压下面就是项目下载地方
1.2 项目代码结构介绍 将这个版本的yolov8下载到本地后整个项目结构和下面这张图是类似的,整体项目结构和v5有些不同其中重要的代码都在ultralytics中 |——bolt_datasets这个里面存放的是我用来进行螺栓松动检测的数据集。 |——docker是一个应用容器引擎。 |——doc这里面的东西不用管。 |——example这里面是下载ultralytics这个python库用这个来进行训练和推理的一 些例子。 |——Flowers_Dataset这是另一个花朵数据集。 |——ultralytics这里面包含模型配置数据集配置yolov8模型的实现等。 ultralytics中代码结构如下图主要使用的是ultralytics\yolo\v8\classify\predict.py这部分代码如果想用自己的数据集训练模型可以看这篇文章v8和v5项目结构有一些变化不过数据集处理等是一样的用python中labeling标注数据。
2.数据集介绍 2.1 数据集采集 我是用的自己手机进行采集的用三脚架固定手机通过调整手机高度、距离螺栓远近和拍摄角度来采集数据的。 总共拍摄了5个松动的10秒视频和5个拧紧的10秒视频再将视频处理为一帧一帧的形式生成一个数据集将每帧调整为640×640大小的图片最后使用其中的200张图片训练每张图片包含4个螺栓。 2.2采集结果介绍 上面两张是螺栓拧紧的图片下面两张是螺栓松动的图片 下面是我用yolov8进行训练的的数据集结构制作类似这样的数据集可以看这篇文章该数据集共800个螺栓图片大小为640×640训练集和测试集比例为91。
3.模型训练 先修改ultralytics\yolo\configs\default.yaml这部分中的配置文件我是用的是预训练yolov8n.pt模型进行训练共训练100次最后训练出的文件如下图
4.pyqt界面设计 4.1 界面内容介绍 界面中内容包括5个部分分别是检测窗口、检测结果与位置信息、检测参数设置、检测结果和操作。检测窗口用来显示图片检测结果与位置信息显示序号、检测图片文件路径、目标编号、类别、置信度和坐标位置这六个部分然后检测参数包括阈值和交并比阈值还有检测结果和操作等等。 4.2 界面实现 这里我用的是python带的pyqt5写的用designer设计布局再将ui文件转为py文件这里注意一定要使用界面布局这样整个界面布局更清晰并且也能放大放小不容易混乱。 下面是我的界面图
5.操作中的逻辑实现 我的实现方法是在detect\predict.py这个文件内容上新创建了一个类来实现操作中功能这个类能初始化界面实现按钮功能等。 5.1 图片检测 实现步骤大致为三步打开要检测的图片对图片进行检测最后将检测结果显示在界面上。 用QFileDialog打开图片打开图片后用yolo\engine\predictor中的类实例进行检测检测过程中同过yield返回必要的数据包括模型model、检测花费时间tm和原图im0s。之后根据返回的信息存储边界框、置信度、类别序号信息向界面tableview和comboBox中插入信息等操作。 具体代码 # 文件中图片检测def open_file(self): folder_path QFileDialog.getExistingDirectory(self, Select Folder, )# 清空表格数据row_count self.tb_model.rowCount()self.tb_model.removeRows(0, row_count)self.flag 0for filename in os.listdir(folder_path):self.sum 0# 构造完整的文件路径file_path os.path.join(folder_path, filename)# # 检查文件是否是图片文件可以根据文件扩展名来判断if file_path.lower().endswith((.png, .jpg, .jpeg, .bmp, .gif)):self.fileName1 file_pathtry:for model, tm, im in self.predict():print(self.save_dir)self.model modeldet self.predictor.output[det]self.det det# 存储结果,向tableview和comboBox中添加信息self.image_detections[self.fileName1] det # 存储检测结果self.image_path[filename] file_pathself.image_tm[self.fileName1] tmself.image_allLabel[self.fileName1] os.path.join(self.save_dir, filename)box det[:,:4] # 边界框confidences det[:,4] # 置信度class_indices det[:,5].astype(int) # 类序号predicted_classes [model.names[idx] for idx in class_indices] # 序号转成类别名class_count {}new_predicted_classes []for box, confidences, class_name in zip(box,confidences, predicted_classes): # 修改重复的类别名# 给相同类别的标签添加数字后缀if class_name not in class_count:class_count[class_name] 0class_count[class_name] 1#创建新标签new_class_name f{class_name}{class_count[class_name] - 1} if class_count[class_name] 1 else class_namenew_predicted_classes.append(new_class_name)pp ( , .join([str(item) for item in box]) )self.sum 1# 向TableView添加信息row []filef{self.save_dir}/crops/{new_class_name}/{new_class_name}.jpgrow.append(QStandardItem(str(self.sum)))row.append(QStandardItem(str(file)))row.append(QStandardItem(str(self.sum)))row.append(QStandardItem(str(new_class_name)))row.append(QStandardItem(str(f{confidences:.2f})))row.append(QStandardItem(str(pp)))self.tb_model.appendRow(row)self.comboBox.clear()self.comboBox.addItem(全部)self.comboBox.addItems(new_predicted_classes)self.image_boBox[self.fileName1] new_predicted_classesself.image_sum[self.fileName1] self.sumself.image self.predictor.annotator.result() # 标记所有的结果图self.label_6.setText(str(self.sum)) # 总目标数self.label_8.setText(str(round(tm*1000, 3))ms) # 用时# 将numpy图片转成QImageheight, width, channels self.image.shapebytes_per_line 3 * widthq_image QImage(self.image.data, width, height, bytes_per_line, QImage.Format_BGR888)# Convert QImage to QPixmappixmap QPixmap.fromImage(q_image)self.label_2.setPixmap(pixmap.scaled(self.label_2.size(), Qt.IgnoreAspectRatio, Qt.SmoothTransformation))self.label_2.setText() # Clear the label textexcept Exception as e:print(fError processing {filename}: {e})5.2 文件夹检测 这部分是对文件夹中存在的所有图片进行检测并且鼠标点击tableview可以切换检测图片同时能够切换检测图片中的单个检测对象。 实现流程跟上面类似就是多了个读取文件夹中每张图片的过程代码如下 for filename in os.listdir(folder_path):self.sum 0# 构造完整的文件路径file_path os.path.join(folder_path, filename)# # 检查文件是否是图片文件可以根据文件扩展名来判断if file_path.lower().endswith((.png, .jpg, .jpeg, .bmp, .gif)):self.fileName1 file_pathtry:for model, tm, im in self.predict():print(self.save_dir)self.model modeldet self.predictor.output[det]self.det det# 存储结果,向tableview和comboBox中添加信息self.image_detections[self.fileName1] det # 存储检测结果self.image_path[filename] file_pathself.image_tm[self.fileName1] tmself.image_allLabel[self.fileName1] os.path.join(self.save_dir, filename)box det[:,:4] # 边界框confidences det[:,4] # 置信度class_indices det[:,5].astype(int) # 类序号predicted_classes [model.names[idx] for idx in class_indices] # 序号转成类别名class_count {}new_predicted_classes []for box, confidences, class_name in zip(box,confidences, predicted_classes): # 修改重复的类别名# 给相同类别的标签添加数字后缀if class_name not in class_count:class_count[class_name] 0class_count[class_name] 1#创建新标签new_class_name f{class_name}{class_count[class_name] - 1} if class_count[class_name] 1 else class_namenew_predicted_classes.append(new_class_name)pp ( , .join([str(item) for item in box]) )self.sum 1# 向TableView添加信息row []filef{self.save_dir}/crops/{new_class_name}/{new_class_name}.jpgrow.append(QStandardItem(str(self.sum)))row.append(QStandardItem(str(file)))row.append(QStandardItem(str(self.sum)))row.append(QStandardItem(str(new_class_name)))row.append(QStandardItem(str(f{confidences:.2f})))row.append(QStandardItem(str(pp)))self.tb_model.appendRow(row)self.comboBox.clear()self.comboBox.addItem(全部)self.comboBox.addItems(new_predicted_classes)self.image_boBox[self.fileName1] new_predicted_classesself.image_sum[self.fileName1] self.sumself.image self.predictor.annotator.result() # 标记所有的结果图self.label_6.setText(str(self.sum)) # 总目标数self.label_8.setText(str(round(tm*1000, 3))ms) # 用时# 将numpy图片转成QImageheight, width, channels self.image.shapebytes_per_line 3 * widthq_image QImage(self.image.data, width, height, bytes_per_line, QImage.Format_BGR888)# Convert QImage to QPixmappixmap QPixmap.fromImage(q_image)self.label_2.setPixmap(pixmap.scaled(self.label_2.size(), Qt.IgnoreAspectRatio, Qt.SmoothTransformation))self.label_2.setText() # Clear the label textexcept Exception as e:print(fError processing {filename}: {e})5.3 视频检测和摄像头检测 这部分我使用的是源代码对这两种流数据处理过程通过call函数和yield返回程序处理过程中的中间数据再对中间数据进行存储、显示等操作。代码与上面类似注意这里没有使用Timer对数据帧定时处理。

1. 效果展示 对全部检测结果显示 对部分检测结果显示 到这里螺栓松动检测系统就完成了如果有需要源代码的可以小刀。