使用YOLOv8框架对老鼠识别数据集进行训练 通过训练的老鼠检测数据集的权重推理识别检测老鼠文章目录使用 **YOLOv8** 框架对老鼠识别数据集进行训练 通过训练的老鼠检测数据集的权重推理识别检测老鼠✅ 一、数据集结构确认 二、创建 data.yaml 文件️ 三、安装依赖环境 四、训练模型Python 脚本 五、推理测试一张图片 六、实时视频流或摄像头检测 七、性能评估验证集 八、模型导出为 ONNX / TensorRT / TFLite 等格式 九、训练结果保存路径说明以下文字及代码仅供参考学习使用。老鼠识别数据集1分类mouse 图片共1078张原始图片。数据集按721分配。其中 训练集754张图片测试集215张验证集108张图片。 。mAP到达96.9 。 该数据包含原始图片xml和yolo的txt格式。老鼠识别数据集含 1078 张标注图像类别为mouse并且已经划分好了训练集、验证集和测试集。以下是使用YOLOv8框架对该数据集进行训练的完整指南包括数据准备创建data.yamlYOLOv8 模型训练代码推理与结果展示性能评估模型导出✅ 一、数据集结构确认确保你的数据集目录结构如下mouse_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/每张图片对应一个.txt格式的标签文件内容格式如下0 x_center y_center width height其中0表示类别 ID只有一个类别mousex_center,y_center,width,height都是相对于图像宽高的比例值0~1 二、创建data.yaml文件在项目根目录下创建一个名为mouse_data.yaml的配置文件# mouse_data.yamltrain:./mouse_dataset/images/trainval:./mouse_dataset/images/valtest:./mouse_dataset/images/testnc:1# 类别数量names:[mouse]# 类别名称️ 三、安装依赖环境推荐使用 Ultralytics 官方实现的 YOLOv8pipinstallultralytics opencv-python 四、训练模型Python 脚本你可以使用以下 Python 脚本来加载模型并开始训练fromultralyticsimportYOLO# 加载预训练的 YOLOv8n 模型nano 版本适合小数据集modelYOLO(yolov8n.pt)# 也可以用 yolov8s.pt / yolov8m.pt 等# 开始训练resultsmodel.train(datamouse_data.yaml,# 数据集配置文件路径epochs100,# 训练轮数imgsz640,# 图像尺寸batch16,# 批大小根据显存调整namemouse_yolo_train,# 训练输出目录名projectmouse_detector# 项目文件夹名)⚠️ 注意如果你没有 GPU可以加参数devicecpu可以通过plotsTrue查看训练过程中的 mAP、loss 曲线等 五、推理测试一张图片训练完成后可以用训练好的权重文件对单张图片进行预测# 加载最佳权重modelYOLO(runs/detect/mouse_yolo_train/weights/best.pt)# 对单张图片进行推理resultsmodel.predict(sourcemouse_dataset/images/val/your_image.jpg,showTrue,conf0.25)forresultinresults:boxesresult.boxesprint(boxes)# 打印检测框信息 六、实时视频流或摄像头检测如果你想要在摄像头或视频中实时检测老鼠可以使用以下代码# 使用摄像头capcv2.VideoCapture(0)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotated_frameresults[0].plot()cv2.imshow(Mouse Detection,annotated_frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows() 七、性能评估验证集你可以使用以下命令对验证集进行评估yolotaskdetectmodevalmodelruns/detect/mouse_yolo_train/weights/best.ptdatamouse_data.yaml这将输出— 八、模型导出为 ONNX / TensorRT / TFLite 等格式YOLOv8 支持多种格式导出便于部署到不同平台yoloexportmodelruns/detect/mouse_yolo_train/weights/best.ptformatonnx支持的格式有格式命令ONNXformatonnxTensorRTformatengineTensorFlow SavedModelformatsaved_modelTFLiteformattfliteCoreMLformatcoreml 九、训练结果保存路径说明训练完成后YOLO 会自动将以下内容保存在runs/detect/mouse_yolo_train/目录中runs/detect/mouse_yolo_train/ ├── weights/ │ ├── best.pt # 最佳权重 │ └── last.pt # 最后一次 epoch 的权重 ├── results.csv # 每轮的指标记录 ├── results.png # 指标曲线图 └── train_batch*.jpg # 训练时增强后的样本图像以上文字及代码仅供参考学习使用。