1使用 YOLO 模型进行自定义数据集训练
- 1准备并标注数据集,可使用 Ultralytics HUB 或本地工具生成 YOLO 格式的标签文件。
- 2安装 Ultralytics 包:pip install ultralytics。
- 3编写训练脚本或使用 CLI:yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640。
- 4训练完成后,在 runs/detect/train/weights/ 目录下获取最佳模型权重。
2通过 Python API 进行目标检测推理
- 1安装 Ultralytics:pip install ultralytics。
- 2加载预训练模型:from ultralytics import YOLO; model = YOLO('yolov8n.pt')。
- 3对图像或视频进行推理:results = model('path/to/image.jpg') 或 model('video.mp4', save=True)。
- 4解析结果:遍历 results[0].boxes 获取边界框、类别和置信度。
3将训练好的模型部署到 Ultralytics HUB 并调用 API
- 1在 Ultralytics HUB 上创建项目并上传训练好的模型权重。
- 2在 HUB 中生成 API 密钥,并获取模型推理端点。
- 3使用 HTTP 请求调用部署的模型:向端点发送图像数据,接收 JSON 格式的检测结果。
- 4根据业务需求集成到应用程序中,实现实时或批量推理。
