机器视觉开发-使用yolo训练和验证自己的模型

创建一个文件夹，包含如下子目录，images存放训练（train）和验证图片（val），一般是8:2的数量比例，labels存放对应的yolo格式内容的标注文件（与图片同名.txt）。

创建一个.yaml格式的配置文件，如Goods.yaml

path: D:\Desktop\Python文件\仿真单件分离系统\Goods # 数据集根路径
train: images/train # 训练集路径
val: images/val # 验证集路径
nc: 1 # 类别数量
names: ['Goods']  # 类别名称

训练配置，创建train.py进行模型训练

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

# 训练配置
results = model.train(
    data="Goods.yaml",
    epochs=100, # 训练轮次
    imgsz=640, # 设置输入图片尺寸
    batch=8, # 每次训练迭代时使用的图像数量,根据GPU显存调整
)

 运行train.py可以在控制台查看训练进度

验证模型，创建val.py进行模型验证

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
metrics = model.val()  # 在验证集评估

# 可视化预测结果
results = model.predict(
    source="Goods/images/val",
    save=True,
    conf=0.5,  # 置信度阈值
    iou=0.45  # IoU阈值
)

最后在网上随便找张包裹图片进行验证