1、YOLOV8算法
YOLOv8 是当前效果较好的目标检测 算法，它的核心网络来源于 DarkNet-53，该网络初次在 YOLOv3中被引入，并深受 ResNet[12] 的影响。DarkNet-53 使用了残差机制，并连续添加了卷积模块来加强其功能性。 这 53 层的构造使其在性能上与 ResNet-152 相当， 但其处理速度加快了一倍。基于 DarkNet-53 ，YOLOv8 做了进一步的调整， 融入了 C2f 组件，从而进一步加强了性能并减少了模型的大小。本文 选用轻量级的YOLOv8n 。YOLOv8n是从YOLOv8 算法派生的轻量级参数结构。它包括骨干网、颈网和预测输出头。骨干网络利用卷积操作从 RGB 图像中提取各种尺度的特征。同时， 颈部网络的作 用是合并骨干网络提取的特征。特征金字塔结构（特征金字塔网络，FPN）通常被实现以将低级特征聚合成高级表示。头部层负 责预测目标类别，并利用三组不同大小的检测检测器来选择和检测图像内容。
2、数据集与训练
高质量太阳能光伏电池板可见光图像数据集，标签包含鸟粪，清洁，脏污，电气损坏，物理损坏，积雪覆盖六类。用于目标检测，缺陷检测，异物检测。 训练集有大量数据增强图片，包含14478张图片，14478个yolo格式的标签。 nc: 6 names: [‘bird-drop’, ‘clean’, ‘dusty’, ‘electrical-damage’, ‘physical-damage’, ‘snow-covered’] 已分为测试集训练集验证集，可直接训练。
---------【模型训练】---------
将文件【datasets//data.yaml】中train,val数据集的绝对路径改为自己项目数据集的绝对路径
train: E:\MyCVProgram\FireSmokeDetection\datasets\train
val: E:\MyCVProgram\FireSmokeDetection\datasets\valid
test: E:\MyCVProgram\FireSmokeDetection\datasets\test
然后运行train.py文件即可开始进行模型训练,训练结果会默认保存在runs目录中。
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。 数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：
# 加载模型
model = YOLO("yolov8n.pt") # 加载预训练模型
# Use the model
if __name__ == '__main__':
# Use the model
results = model.train(data=r"D:\Solar_panel_detection_system\ultralytics-main\datasets\datanew\data.yaml", epochs=300,imgsz=640， batch=4) # 训练模型
# 将模型转为onnx格式
# success = model.export(format='onnx')
3、训练效果展示
4、训练结果评估
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示： 各损失函数作用说明：定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。本文训练结果如下： 我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型两类目标检测的mAP@0.5已经达到了0.87以上，平均值为0.89，结果还是很不错的。
5、软件基本界面如下图所示
可进行6种状态的目标检测；支持图片、视频及摄像头进行检测，同时支持图片的批量检测；界面可实时显示目标位置、目标总数、置信度、用时等信息;支持图片或者视频的检测结果保存；
6、检测结果识别
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。图片检测代码如下：
所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/27cad783f34b8f9f162d91a0c5776350.jpg"
# 加载预训练模型
# conf 0.25 object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)
# 检测图片
results = model(img_path)
res = results[0].plot()
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)
7、增量学习
1、增量学习是一种机器学习方法，其主要思想是在不断接收新数据的情况下逐步改进模型。与传统的批量学习不同，增量学习允许模型在运行过程中接收和处理新的数据，然后通过不断更新参数或模型结构来适应这些新数据，从而提高模型的性能和准确度 2、对于YOLOv8这样的目标检测模型，增量学习可以包括数据集的增量和重新训练模型。一种常见的增量学习方法是不断将新数据加入到现有数据集中，然后使用这个扩展后的数据集重新训练模型。这样做的目的是让模型能够逐步适应新的数据和场景，提高检测的准确性
8、结束语
以上便是博主开发的基于YOLOV8+Pyqt5光伏太阳能电池板目标检测系统的部分内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
文章链接
您阅读本篇文章共花了： 大家都在找：
YOLO：yolomouse快捷键
目标检测：目标检测评价指标
YoloV8：yolov8介绍
目标追踪：目标追踪的重点
发表评论