企业官网建设流程全解析

yolov8训练行人目标检测数据集_使用构建一个基于YOLOv8的行人目标检测系统 来识别路上行人的检测

——行人数据集 人群目标检测数据集 密集人群数据集yolo voc带标注

行人目标检测数据集

图片: 3687张
带xml格式标注文件: 3687个 .
带txt格式标注文件, 已划分好训练集和验证集:
训练集:2950个
验证集: 737个
1个分类
names:
person
可直接用于yolo各版本训练。

构建一个基于YOLOv8的行人目标检测系统，特别是这个特定数据集，涉及多个步骤，包括环境设置、数据准备、模型训练、评估和推理部署。以下是详细的指南：

以下代码仅供参考### 1. 环境设置

确保你的开发环境已经安装了必要的库和工具：

pipinstalltorch torchvision ultralytics pyqt5 opencv-python pandas

2. 数据准备

2.1 数据集结构

根据你提供的信息，数据集包含3687张图片，并且带XML格式标注文件。数据集已经划分好训练集和验证集，每个图像对应一个同名的.txt文件（YOLO格式）。确保数据集目录结构如下：

datasets/ └── pedestrian_detection/ ├── images/ │ ├── train/ │ └── val/ ├── labels_yolo/ │ ├── train/ │ └── val/

2.2 类别映射

你提到只有一个分类person。假设你已经有了正确的YOLO格式的标注文件，其中类别ID为0。

2.3 转换VOC到YOLO格式

如果你的数据是以VOC格式提供的，可以使用Python脚本将它们转换为YOLO格式：

importxml.etree.ElementTreeasETimportos# Define class names and their corresponding IDsclass_names=['person']class_ids={name:idxforidx,nameinenumerate(class_names)}defconvert_voc_to_yolo(xml_file,output_dir):tree=ET.parse(xml_file)root=tree.getroot()img_width=int(root.find('size/width').text)img_height=int(root.find('size/height').text)withopen(os.path.join(output_dir,root.find('filename').text.split('.')[0]+'.txt'),'w')asf:forobjinroot.findall('object'):class_name=obj.find('name').textifclass_namenotinclass_ids:continuebbox=obj.find('bndbox')x_min=float(bbox.find('xmin').text)y_min=float(bbox.find('ymin').text)x_max=float(bbox.find('xmax').text)y_max=float(bbox.find('ymax').text)x_center=((x_min+x_max)/2)/img_width y_center=((y_min+y_max)/2)/img_height bbox_width=(x_max-x_min)/img_width bbox_height=(y_max-y_min)/img_height f.write(f"{class_ids[class_name]}{x_center}{y_center}{bbox_width}{bbox_height}\n")# Example usageforfilenameinos.listdir('path/to/voc/annotations'):iffilename.endswith('.xml'):convert_voc_to_yolo(os.path.join('path/to/voc/annotations',filename),'labels_yolo/train')

3. 文件内容

3.1 Config.py

配置文件用于定义数据集路径、模型路径等。

# Config.pyDATASET_PATH='datasets/pedestrian_detection/'MODEL_PATH='runs/detect/train/weights/best.pt'IMG_SIZE=640BATCH_SIZE=16EPOCHS=50CONF_THRESHOLD=0.5

3.2 train.py

训练YOLOv8模型的脚本。

fromultralyticsimportYOLOimportos# Load a modelmodel=YOLO('yolov8n.pt')# You can also use other versions like yolov8s.pt, yolov8m.pt, etc.# Define dataset configurationdataset_config=f""" train:{os.path.join(os.getenv('DATASET_PATH','datasets/pedestrian_detection/'),'images/train')}val:{os.path.join(os.getenv('DATASET_PATH','datasets/pedestrian_detection/'),'images/val')}nc: 1 names: ['person'] """# Save dataset configuration to a YAML filewithopen('pedestrian.yaml','w')asf:f.write(dataset_config)# Train the modelresults=model.train(data='pedestrian.yaml',epochs=int(os.getenv('EPOCHS',50)),imgsz=int(os.getenv('IMG_SIZE',640)),batch=int(os.getenv('BATCH_SIZE',16)))

3.3 detect_tools.py

用于检测的工具函数。

fromultralyticsimportYOLOimportcv2importnumpyasnpdefload_model(model_path):returnYOLO(model_path)defdetect_objects(frame,model,conf_threshold=0.5):results=model(frame,conf=conf_threshold)detections=[]forresultinresults:boxes=result.boxes.cpu().numpy()forboxinboxes:r=box.xyxy[0].astype(int)cls=int(box.cls[0])conf=round(float(box.conf[0]),2)label=f"person{conf}"detections.append((r,label))returndetectionsdefdraw_detections(frame,detections):for(r,label)indetections:cv2.rectangle(frame,(r[0],r[1]),(r[2],r[3]),(0,255,0),2)cv2.putText(frame,label,(r[0],r[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)returnframe

3.4 UIProgram/MainProgram.py

主程序，使用PyQt5构建图形界面。

importsysimportcv2fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QVBoxLayout,QWidget,QPushButtonfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromdetect_toolsimportload_model,detect_objects,draw_detectionsimportosclassVideoWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("Pedestrian Detection")self.setGeometry(100,100,800,600)self.central_widget=QWidget()self.setCentralWidget(self.central_widget)self.layout=QVBoxLayout()self.central_widget.setLayout(self.layout)self.label=QLabel()self.layout.addWidget(self.label)self.start_button=QPushButton("Start Detection")self.start_button.clicked.connect(self.start_detection)self.layout.addWidget(self.start_button)self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)self.model=load_model(os.getenv('MODEL_PATH','runs/detect/train/weights/best.pt'))defstart_detection(self):ifnotself.cap:self.cap=cv2.VideoCapture(0)# Use webcamself.timer.start(30)defupdate_frame(self):ret,frame=self.cap.read()ifnotret:returndetections=detect_objects(frame,self.model,conf_threshold=float(os.getenv('CONF_THRESHOLD',0.5)))frame=draw_detections(frame,detections)rgb_image=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w qt_image=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)pixmap=QPixmap.fromImage(qt_image)self.label.setPixmap(pixmap.scaled(800,600,Qt.KeepAspectRatio))if__name__=="__main__":app=QApplication(sys.argv)window=VideoWindow()window.show()sys.exit(app.exec_())

3.5 requirements.txt

列出所有依赖项。

torch torchvision ultralytics pyqt5 opencv-python pandas

3.6 setup.py

用于安装项目的脚本。

fromsetuptoolsimportsetup,find_packages setup(name='pedestrian_detection',version='0.1',packages=find_packages(),install_requires=['torch','torchvision','ultralytics','pyqt5','opencv-python','pandas'],entry_points={'console_scripts':['train=train:main','detect=UIProgram.MainProgram:main']})

3.7 README.md

项目说明文档。

# Pedestrian Detection System This project uses YOLOv8 and PyQt5 to create a real-time detection system for pedestrians. The system detects persons in images or video streams. ## Installation 1. Clone the repository: ```bash git clone https://github.com/yourusername/pedestrian-detection.git cd pedestrian-detection

2. Install dependencies:

   pipinstall-rrequirements.txt

3. Set up environment variables (optional):

   exportDATASET_PATH=./datasets/pedestrian_detection/exportMODEL_PATH=./runs/detect/train/weights/best.ptexportIMG_SIZE=640exportBATCH_SIZE=16exportEPOCHS=50exportCONF_THRESHOLD=0.5

Training

To train the YOLOv8 model:

python train.py

Running the GUI

To run the graphical user interface:

python UIProgram/MainProgram.py

Usage Tutorial

See 使用教程.xt for detailed usage instructions.

### 4. 运行步骤 - **确保数据集路径正确**：将你的数据集放在 `datasets/pedestrian_detection` 目录下。 - **安装必要的库**：确保已安装所有所需库。 - **运行代码**： - 首先运行训练代码来训练YOLOv8模型： ```bash python train.py ``` - 然后运行GUI代码来启动检测系统： ```bash python UIProgram/MainProgram.py ``` ### 5. 模型评估与优化 在训练完成后，你可以通过验证集评估模型性能，查看mAP（平均精度均值）和其他指标。根据评估结果，调整超参数如学习率、批次大小、图像尺寸等，以优化模型性能。 ### 6. 结果分析与可视化 利用内置的方法或自定义脚本来分析结果和可视化预测边界框。这有助于理解模型的表现并识别可能的改进点。 ### 7. 用户界面开发 为了构建用户界面，你可以使用Flask或FastAPI等框架创建RESTful服务，或者直接用Streamlit这样的快速原型开发工具。上述代码中已经包含了使用PyQt5创建的简单GUI示例。 ### 注意事项 - **类别映射**：确保YOLO格式的标签文件中的类别ID与`train.py`中定义的类别名称一致。 - **数据增强**：考虑到行人检测可能会有复杂背景和光照变化，可以考虑使用数据增强技术提高模型的泛化能力。 - **模型选择**：根据你的硬件条件和需求选择合适的YOLO版本（如YOLOv8n、YOLOv8s等）。 - **预处理**：对于特别大的数据集，建议在训练前对数据进行适当的预处理，比如缩放、裁剪等操作。 - **数据集划分**：确认数据集已经按照合适的比例进行了训练集和验证集的划分（例如你提供的数据集已经划分好了）。 这样你呀就_构建基于YOLOv8的行人目标检测系统。果有任何问题或需要进一步的帮助，请随时提问！