当前位置：首页 > news >正文

南川网站建设公司网站登陆页面怎么做

news 2025/9/18 6:05:06

南川网站建设公司,网站登陆页面怎么做,焦作住房和城乡建设厅网站,昆山网站优化建设使用深度学习算法检测芒果具有显著的优势和应用价值。以下是几个主要原因： 特征学习的能力：深度学习，特别是卷积神经网络（CNN），能够从大量的芒果图像中自动学习和提取特征。这些特征可能是传统方法难以手动…

使用深度学习算法检测芒果具有显著的优势和应用价值。以下是几个主要原因：

特征学习的能力：深度学习，特别是卷积神经网络（CNN），能够从大量的芒果图像中自动学习和提取特征。这些特征可能是传统方法难以手动设计的，但对于芒果的检测和识别却至关重要。
适应复杂环境：芒果生长在不同的环境和条件下，其外观、颜色、形状等都可能发生变化。深度学习算法通过大量的训练数据，可以学习到这些变化，从而在不同环境下都能准确地检测芒果。
处理大数据：在芒果检测中，通常需要处理大量的图像数据。深度学习算法可以高效地处理这些数据，并快速给出检测结果。
减少人工干预：传统的芒果检测方法可能需要人工目视观察或者使用特定的工具，这既费时又费力。深度学习算法可以实现自动化检测，减少人工干预，提高检测效率。
提高检测准确性：深度学习算法在训练过程中不断优化，可以实现对芒果的精确检测。与传统方法相比，深度学习算法具有更高的检测准确率和鲁棒性。

综上所述，使用深度学习算法检测芒果可以提高检测效率、准确性和自动化水平，是芒果检测领域的一种重要技术手段。

本文介绍了基于深度学习yolov8的芒果检测系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

检测结果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

芒果实例分割数据集包含453个训练数据，91个测试数据，数据如下所示：

为了使用yolov8进行训练，需要将数据集转为yolo格式，本文提供转换好的数据集连接：mango-yolov8数据集

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件mango.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\datasets\csdn\mango-segmentation-dataset\mango_yolov8  # 替换为自己的数据集路径
train: images/train 
val: images/test 
test: images/test  # Classes
names:# 0: normal0: mango

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo segment train project=mango name=train exist_ok data=mango/mango.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

3、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo segment val imgsz=640 model=mango/train/weights/best.pt data=mango/mango.yaml

精度如下：

Ultralytics YOLOv8.1.10 🚀 Python-3.9.18 torch-2.2.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
YOLOv8n-seg summary (fused): 195 layers, 3258259 parameters, 0 gradients, 12.0 GFLOPs
val: Scanning D:\DeepLearning\datasets\csdn\mango-segmentation-dataset\mango_yolov8\labels\test.cache... 90 images, 0 backgrounds, 0 corrupt: 100%|██████████| 90/90 [00:00<? Class     Images  Instances      Box(P          R      mAP50  mAP50-95)     Mask(P          R      mAP50  mAP50-95): 100%|██████████| 6/6 [00:02<00:00,  2.1all         90        578      0.961      0.953      0.985      0.892       0.96      0.952      0.985      0.837
Speed: 5.1ms preprocess, 8.0ms inference, 0.0ms loss, 2.2ms postprocess per image
Results saved to runs\segment\val
💡 Learn more at https://docs.ultralytics.com/modes/val

四、推理

训练好了模型，可以使用如下代码实现推理，权重路径修改为自己的路径：

from PIL import Image
from ultralytics import YOLO# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')image_path = 'test.jpg'
results = model(image_path)  # 结果列表# 展示结果
for r in results:im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像im.show()  # 显示图像im.save('results.jpg')  # 保存图像