參考文檔:

https://docs.ultralytics.com/modes/predict/#working-with-results
https://zhuanlan.zhihu.com/p/655162922
https://thinkinfi.com/motorcycle-helmet-detection-using-deep-learning/

示例說明

0. 可提前將預訓練的 yolov8n.pt文件下載到本腳本同一目錄下,地址 https://github.com/ultralytics/assets/releases
1. 關于 yolo runtime settings.yaml 對訓練過程的干擾
   yolo settings.yaml文件路徑為: C:\Users\MY_USER\AppData\Roaming\Ultralytics\settings.yaml, 該文件保存著上次訓練時的runtime 設置, 其中有一個 datasets_dir 設置在特定條件下會導致train報錯.
   干擾的條件是: data yaml文件中的path變量使用的相對路徑.
   報錯的信息為: images not found
   修復方式為: (1) data yaml的path使用絕對路徑, (2)或者在訓練之前修改yolo settings.yaml中的datasets_dir成我們真實存放圖片dataset的父目錄, 如果不更新settings.yaml將保留上次訓練的圖像路徑,會導致報 images not found 錯誤 ; 如果 data yaml 中的path變量使用的絕對路徑, 則不需更新yolo settings.yaml中的datasets_dir.
2. 構建線程安全的predict, 可參考 ultralytics 官方文檔 https://docs.ultralytics.com/modes/predict
3. predict() 返回類型為 Results list , 官方文檔寫的是 Results, 這一點是錯誤的.

示例代碼

from IPython import display
import ultralytics
from ultralytics import YOLO, settings
from os import path


def train():
    # ==========================
    # 如果 data yaml 中的path變量使用的相對路徑, 需要更新yolo settings.yaml中的datasets_dir成我們真實存放圖片dataset的父目錄, 如果不更新settings.yaml將保留上次訓練的圖像路徑,會導致報 images not found 錯誤
    # 如果 data yaml 中的path變量使用的絕對路徑, 則不需更新yolo settings.yaml中的datasets_dir.
    # yolo settings.yaml文件路徑為: C:\Users\MY_USER\AppData\Roaming\Ultralytics\settings.yaml
    # ==========================
    image_path = r'''C:\Users\dorothy\AppData\Roaming\Python\Python311\Scripts\datasets'''
    settings.update({"datasets_dir": image_path})

    # 設置訓練data yaml文件
    dataset_yaml = r"C:\Users\dorothy\AppData\Roaming\Python\Python311\site-packages\ultralytics\cfg\datasets\coco8.yaml"

    # 可提前將預訓練的olov8n.pt文件下載到本腳本同一目錄下,地址 https://github.com/ultralytics/assets/releases
    model = YOLO("yolov8n.pt")

    # 在本腳本同一目錄下, 會自動生成 runs 結果目錄
    results = model.train(data=dataset_yaml, epochs=2, imgsz=640, device="cpu", batch=8)


def predict():
    model = YOLO(r"D:\my_workspace\source\yolo8\runs\detect\train9\weights\last.pt")
    image_file1 = r"D:\my_workspace\py_code\yolo8\Lib\site-packages\ultralytics\assets\bus.jpg"
    image_file2 = r"D:\my_workspace\py_code\yolo8\Lib\site-packages\ultralytics\assets\zidane.jpg"
    results_list = model.predict(source=[image_file1, image_file2], show=False, save=True, save_conf=True,
                                 save_txt=True)

    for results in results_list:
        boxes = results.boxes
        speed = results.speed
        names = results.names
        json = results.tojson()
        image_path = results.path
        print("====")
        print(image_path)
        print(names)
        print(json)


if __name__ == '__main__':
    display.clear_output()
    ultralytics.checks()
    # train()
    predict()