如何利用深度学习框架 在智能物流包裹快递中_自动学习训练快递包裹纸箱数据集 构建基于深度学习卷积神经网络的Yolov8的物流快递包裹快速识别
文章目录
-
-
- **1. 数据准备**
-
- 数据结构
- YOLO格式标注文件示例
- **2. 数据划分**
- **3. 环境搭建**
-
- 安装依赖
- 下载 YOLOv11s 模型
- **4. 数据配置**
- **5. 模型训练**
-
- 训练脚本
- **6. 配置超参数**
- **7. 模型推理**
-
- 单张图片推理
- 批量推理
- **8. 性能评估**
-
- 使用验证集评估
- 绘制 PR 曲线
-
首先同学们，你们现有自己的数据集，自己标注，然后按照下面这个来被。
我说，假设，你有下面这个来进行训练。
快递纸箱数据集YOLO格式｜智能物流专用
2664张图片（训练集1864张，验证集532张，测试集268张） 
数据集规格： ①标注格式：txt（YOLO格式） ②类别标签：0：Box（快递盒检测，7096个框） 数据来源：真实物流场景采集
从数据准备、格式转换、数据划分到模型训练、推理和性能评估逐步讲解，并附上详细代码。
1. 数据准备
数据结构
假设你的数据集目录结构如下：
dataset/
├── images/
│ ├── train/ # 训练集图片
│ ├── val/ # 验证集图片
│ └── test/ # 测试集图片
└── labels/
├── train/ # 训练集标签 (YOLO格式)
├── val/ # 验证集标签 (YOLO格式)
└── test/ # 测试集标签 (YOLO格式)
YOLO格式标注文件示例
每个标注文件是一个 .txt 文件，内容如下：
0 0.5 0.5 0.3 0.4
- 第一列：类别标签（0 表示快递盒）
- 第二列：目标中心点的 x 坐标（归一化值，范围 [0, 1]）
- 第三列：目标中心点的 y 坐标（归一化值，范围 [0, 1]）
- 第四列：目标宽度（归一化值，范围 [0, 1]）
- 第五列：目标高度（归一化值，范围 [0, 1]）
2. 数据划分
如果数据尚未划分，可以使用以下代码将图片和标注随机划分为训练集、验证集和测试集。
import os
import random
import shutil
# 数据划分函数
def split_dataset(image_dir, label_dir, output_dir, train_ratio=0.7, val_ratio=0.2):
images = os.listdir(image_dir)
random.shuffle(images)
train_size = int(len(images) * train_ratio)
val_size = int(len(images) * val_ratio)
train_images = images[:train_size]
val_images = images[train_size:train_size + val_size]
test_images = images[train_size + val_size:]
for dataset, img_list in zip(['train', 'val', 'test'], [train_images, val_images, test_images]):
for img in img_list:
shutil.copy(os.path.join(image_dir, img), os.path.join(output_dir, 'images', dataset, img))
label_file = img.replace('.jpg', '.txt')
shutil.copy(os.path.join(label_dir, label_file), os.path.join(output_dir, 'labels', dataset, label_file))
# 调用函数
split_dataset(
image_dir='path/to/images',
label_dir='path/to/labels',
output_dir='dataset'
)
3. 环境搭建
安装依赖
确保安装了必要的库：
pip install torch torchvision opencv-python matplotlib tqdm
下载 YOLOv11s 模型
假设你使用的是 Ultralytics 的 YOLO 实现（如 YOLOv8 或更高版本），可以通过以下命令安装：
pip install ultralytics
4. 数据配置
创建一个 data.yaml 文件来描述数据集：
train: dataset/images/train
val: dataset/images/val
test: dataset/images/test
nc: 1 # 类别数
names: ['Box'] # 类别名称
5. 模型训练
训练脚本
使用 Ultralytics 提供的接口进行训练：
from ultralytics import YOLO
# 加载预训练模型
model = YOLO('yolov11s.pt') # 替换为实际路径
# 开始训练
results = model.train(
data='data.yaml',
epochs=50,
batch=16,
imgsz=640,
device=0, # 使用 GPU
workers=8,
name='exp_yolov11s_box'
)
6. 配置超参数
你可以通过修改 args 参数调整超参数，例如学习率、优化器等：
results = model.train(
data='data.yaml',
epochs=50,
batch=16,
imgsz=640,
lr0=0.01, # 初始学习率
lrf=0.01, # 最终学习率
momentum=0.937, # 动量
weight_decay=0.0005,
device=0, # 使用 GPU
workers=8,
name='exp_yolov11s_box'
)
7. 模型推理
单张图片推理
from PIL import Image
from ultralytics import YOLO
# 加载训练好的模型
model = YOLO('runs/train/exp_yolov11s_box/weights/best.pt')
# 推理单张图片
img_path = 'path/to/test_image.jpg'
results = model(img_path)
# 可视化结果
results[0].show()
批量推理
from glob import glob
# 获取测试集图片路径
test_images = glob('dataset/images/test/*.jpg')
# 批量推理
for img_path in test_images:
results = model(img_path)
results[0].save(f'output/{os.path.basename(img_path)}') # 保存结果
8. 性能评估
使用验证集评估
metrics = model.val() # 在验证集上评估 mAP50 和其他指标
print(metrics.box.map50) # 输出 mAP50
绘制 PR 曲线
import matplotlib.pyplot as plt
plt.plot(metrics.box.p, metrics.box.r)
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall Curve')
plt.show()
