YOLOv8实现手写数字识别系统：从MNIST到实时摄像头检测

在深度学习领域，手写数字识别是一个经典问题，也是入门计算机视觉的重要案例。本文将介绍一个基于YOLOv8和MNIST数据集的手写数字识别系统，该系统不仅能识别静态图像中的数字，还能通过摄像头实时检测手写数字。

个人博客：YOLOv8实现手写数字识别系统：从MNIST到实时摄像头检测 - iDing's 博客

项目概述

这个项目结合了传统的MNIST数据集和现代的目标检测算法YOLOv8，实现了以下功能：

1. 将MNIST数据集转换为YOLO格式

2. 使用YOLOv8训练手写数字识别模型

3. 通过摄像头实时识别手写数字

相比传统的分类方法，使用YOLOv8进行目标检测的优势在于：能同时检测多个数字、处理不同尺寸的输入图像，并在复杂背景中定位识别数字。

完整代码已经开源在Github Yolo8 手写体识别 欢迎start！

技术实现

1. 数据集转换

MNIST是深度学习领域最著名的数据集之一，包含60,000张训练图像和10,000张测试图像，每张图像为28×28像素的手写数字（0-9）。

在本项目中，我们首先将MNIST数据集转换为YOLO格式。YOLO格式的标注文件格式为：<类别ID> <中心点x> <中心点y> <宽度> <高度>，所有值都归一化到0-1之间。

def _process_dataset(dataset, images_dir, labels_dir):
    for idx in range(len(dataset)):
        img, label = dataset[idx]
        
        # 保存图像
        img_path = os.path.join(images_dir, f"{idx:05d}.png")
        img.save(img_path)
        
        # 创建YOLO格式标签文件
        label_path = os.path.join(labels_dir, f"{idx:05d}.txt")
        with open(label_path, 'w') as f:
            # 设定数字在图像中心，占据图像约80%的面积
            f.write(f"{label} 0.5 0.5 0.8 0.8\n")

2. 模型训练

YOLOv8是目前最先进的目标检测算法之一，在速度和精度方面取得了很好的平衡。我们使用YOLOv8 nano版本，该版本体积小、推理速度快，非常适合实时应用。

训练参数设置如下：

• 输入图像尺寸：32×32像素

• 训练轮数：50轮

• 批次大小：64

• 初始学习率：0.01

• 数据增强：水平翻转、马赛克增强、混合增强等

model.train(
    data=data_yaml_path,
    epochs=50,
    imgsz=32,
    batch=64,
    lr0=0.01,
    # 数据增强参数
    mosaic=1.0, 
    mixup=0.1,
    degrees=10.0,
    translate=0.2
)

3. 实时摄像头识别

模型训练完成后，系统会自动调用摄像头进行实时识别。关键步骤包括：

1. 图像预处理：将摄像头捕获的帧转换为灰度图，应用高斯模糊减少噪声，使用自适应阈值提取手写区域

2. 使用YOLOv8模型预测

3. 对预测结果进行可视化展示

def camera_recognition(model_path):
    # 加载模型
    model = YOLO(model_path)
    
    # 启动摄像头
    cap = cv2.VideoCapture(0)
    
    while cap.isOpened():
        success, frame = cap.read()
        if success:
            # 预处理帧
            preprocessed_frame = preprocess_frame(frame)
            
            # 进行预测
            results = model.predict(preprocessed_frame)
            
            # 显示结果
            for result in results:
                boxes = result.boxes
                for box in boxes:
                    # 绘制边界框和标签
                    x1, y1, x2, y2 = box.xyxy[0]
                    conf = box.conf[0]
                    cls = int(box.cls[0])
                    cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
                    cv2.putText(frame, f"{cls}: {conf:.2f}", (int(x1), int(y1)-10), 
                              cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

实验效果

经过50轮训练，模型在MNIST测试集上达到了约99%的准确率。在实时摄像头测试中，模型能够成功识别清晰手写的数字，甚至在不同角度、大小和光照条件下也表现良好。

实际应用时，我们发现以下因素会影响识别效果：

• 笔迹的清晰度和粗细

• 背景的复杂度

• 光照条件

• 摄像头与纸张的角度

应用场景

这样的手写数字识别系统可以应用于多个场景：

1. 教育领域：帮助儿童学习数字书写

2. 表单自动化处理：识别手写表格中的数字

3. 邮政编码识别：自动分拣信件

4. 银行支票处理：识别支票上的金额

技术展望

未来可以对系统进行以下改进：

1. 扩展到手写字母和符号的识别

2. 优化模型以提高识别速度，适合在移动设备上运行

3. 改进预处理算法，增强在复杂背景下的识别能力

4. 集成OCR技术，实现对完整文本的识别

总结

本项目展示了如何将经典的MNIST数据集与现代的YOLOv8目标检测算法结合，构建一个实时手写数字识别系统。通过这种结合，我们既能享受MNIST数据集丰富的训练样本，又能利用YOLO算法在目标检测领域的优势，实现更实用的应用场景。

对于想要入门计算机视觉和深度学习的开发者来说，这是一个很好的起点项目，不仅能够学习到模型训练的基础知识，还能掌握如何将训练好的模型应用到实际场景中。