车辆识别数据集

图片数量20500，模型已训练200轮;
class: car, van， others， bus;


监控道路车辆识别数据集，并提供基于YOLOv8的训练代码。这个数据集包含20500张图像，标注了4类检测目标：car、van、others、bus。标注格式为YOLO格式，可以直接用于深度模型训练。

1. 数据集介绍

数据集目录结构

假设你的数据集已经准备好，并且分为训练集、验证集和测试集。数据集目录结构如下：

vehicle_detection_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

数据集标注格式

YOLO格式的标注文件是TXT文件，每行表示一个目标，格式如下：

class_id center_x center_y width height

其中：

• class_id 是类别的索引（从0开始）。
• center_x 和 center_y 是目标框中心点的归一化坐标。
• width 和 height 是目标框宽度和高度的归一化值。

2. 数据集配置文件 (data.yaml)

创建一个data.yaml文件，配置数据集的路径和类别信息：

path: ./vehicle_detection_dataset  # 数据集路径
train: images/train  # 训练集图像路径
val: images/val  # 验证集图像路径
test: images/test  # 测试集图像路径

nc: 4  # 类别数
names: 
  - car
  - van
  - others
  - bus

3. 训练脚本 (train.py)

由于模型已经训练了200轮，我们可以继续训练以进一步提升性能。

from ultralytics import YOLO

def train_model(data_yaml_path, model_path, epochs, batch_size, img_size, augment):
    # 加载预训练模型
    model = YOLO(model_path)

    # 继续训练模型
    results = model.train(
        data=data_yaml_path,
        epochs=epochs,
        batch=batch_size,
        imgsz=img_size,
        augment=augment
    )

    # 保存模型
    model.save("runs/train/vehicle_detection/best.pt")

if __name__ == "__main__":
    data_yaml_path = 'vehicle_detection_dataset/data.yaml'
    model_path = 'path_to_pretrained_model.pt'  # 预训练模型路径
    epochs = 100  # 继续训练的轮数
    batch_size = 16
    img_size = 640
    augment = True

    train_model(data_yaml_path, model_path, epochs, batch_size, img_size, augment)

4. 预测脚本 (predict.py)

import cv2
import torch
from ultralytics import YOLO

def predict_image(image_path, model_path, img_size=640):
    # 加载模型
    model = YOLO(model_path)

    # 读取图像
    image = cv2.imread(image_path)
    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

    # 进行预测
    results = model(image_rgb, size=img_size)

    # 处理预测结果
    for result in results:
        boxes = result.boxes.xyxy.cpu().numpy()
        scores = result.boxes.conf.cpu().numpy()
        labels = result.boxes.cls.cpu().numpy().astype(int)

        for box, score, label in zip(boxes, scores, labels):
            x1, y1, x2, y2 = map(int, box)
            class_name = ['car', 'van', 'others', 'bus'][label]
            color = (0, 255, 0) if label == 0 else (0, 0, 255)
            cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)
            cv2.putText(image, f'{class_name} {score:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)

    # 显示图像
    cv2.imshow('Prediction', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    image_path = 'path_to_your_image.jpg'
    model_path = 'runs/train/vehicle_detection/best.pt'
    predict_image(image_path, model_path)

5. 运行脚本

1. 继续训练模型：

   python train.py
   

2. 进行预测：

   python predict.py
   

6. 详细解释

数据集配置文件 (data.yaml)

• path: 数据集的根目录路径。
• train: 训练集图像的路径。
• val: 验证集图像的路径。
• test: 测试集图像的路径。
• nc: 类别数。
• names: 类别名称列表。

训练脚本 (train.py)

1. 导入依赖项：

   • from ultralytics import YOLO：导入YOLOv8模型。

2. 定义训练函数：

   • train_model：加载预训练模型，设置训练参数，继续训练模型，并保存最佳模型。

3. 主函数：

   • 设置数据集路径、预训练模型路径、训练参数等。
   • 调用train_model函数进行训练。

预测脚本 (predict.py)

1. 导入依赖项：

   • import cv2：导入OpenCV库。
   • import torch：导入PyTorch库。
   • from ultralytics import YOLO：导入YOLOv8模型。

2. 定义预测函数：

   • predict_image：加载模型，读取图像，进行预测，处理预测结果，并显示带有标注的图像。

3. 主函数：

   • 设置图像路径和模型路径。
   • 调用predict_image函数进行预测。

7. 注意事项

1. 数据集路径：确保数据集路径正确，特别是data.yaml文件中的路径。
2. 模型路径：确保预训练模型路径正确。
3. 图像大小：img_size可以根据实际需求调整，通常使用640或1280。
4. 数据增强：augment参数控制是否启用数据增强，可以在训练过程中提高模型的泛化能力。

8. 数据增强

为了增加数据集的多样性，可以使用数据增强技术。YOLOv8在训练过程中默认支持多种数据增强方法，如随机裁剪、翻转、颜色抖动等。如果需要自定义数据增强，可以参考YOLOv8的文档进行配置。

总结

通过以上步骤，你可以继续训练一个基于YOLOv8模型的车辆识别系统，并进行预测。train.py用于继续训练模型，predict.py用于加载训练好的模型并进行预测