init

.gitignore

@@ -0,0 +1,2 @@
+/datasets
+/weights

README.MD

@@ -0,0 +1,141 @@
+# 训练自己的YOLOv8模型
+
+## 准备数据集
+
+### 安装 LabelImg
+
+在命令提示符中输入以下命令：
+
+```bash
+pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
+```
+
+等待安装完成
+
+![示例图片](docs/img/1.png)
+
+运行
+
+```bash
+labelimg
+```
+
+启动之后界面长这样
+
+![示例图片](docs/img/2.png)
+![示例图片](docs/img/3.png)
+设置自动保存
+![示例图片](docs/img/4.png)
+![示例图片](docs/img/5.png)
+
+labelimg的常用快捷键（熟练使用快捷键，提高效率）
+
+|       快捷键       |          功能             |
+| :---              |        :----:             |
+| W                 | 画框（创建或编辑标签框）    |
+| D                 |切换到下一张图片             |
+| A                 |切换到上一张图片             |
+| CTRL+Q            | 退出LabelImg              |
+| CTRL+S            |保存当前图片的标签           |
+| Delete            | 删除当前选中的标签框        |
+
+### 开始标注
+
+- 点击Open Dir 选择原图片所在文件夹
+
+- 点击Change Save Dir 选择存储位置
+
+- 使用快捷键，开始标注，左侧将格式设置成yolo
+
+![示例图片](docs/img/6.png)
+
+### 将标注好的数据集按照指定路径放置
+
+![示例图片](docs/img/13.png)
+
+## 训练YOLOv8模型
+
+- 由于本地安装cuda较为麻烦，这里不做介绍，本文将使用腾讯云算力平台
+
+### 登录并进入腾讯云高性能应用服务 HAI
+
+![示例图片](docs/img/7.png)
+
+### 创建实例
+
+- 可选用预装了cuda的Pytorch，算力方案越贵，训练速度越快，普通1.2元/时的也够用了。
+
+![示例图片](docs/img/8.png)
+
+- 创建实例之后，选择CloudStudio进入后台
+
+![示例图片](docs/img/9.png)
+
+- 在终端安装yolo环境，克隆训练程序，上传数据集
+
+- 使用国内服务器时候可使用清华源加速
+
+```bash
+pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
+```
+
+- 使用国外服务器时候可直接
+
+```bash
+pip install ultralytics
+```
+
+- 安装libGL.so.1 库
+
+```bash
+sudo apt-get update
+sudo apt-get install libgl1-mesa-glx
+```
+
+- 环境安装完成后，克隆此训练代码
+
+```bash
+git clone http://gitea.qutcmrt.top/Robofish/YOLOv8.git
+```
+
+- 上传刚刚准备好的数据集datasets
+
+![示例图片](docs/img/14.png)
+
+- 修改yolo.yaml的内容，直接复制绝对路径。
+
+![示例图片](docs/img/15.png)
+
+### 开始训练
+
+```bash
+yolo train data=yolo.yaml model=yolov8n.pt epochs=300 imgsz=640 batch=8 workers=0 device=0
+```
+
+- 其中 data=YOLO.yaml 修改为实际yaml路径，model=yolov8n.pt修改为模型路径（按照教程走不用修改）
+- 如果使用cpu训练，修改device='cpu',如果想使用多卡训练，device='\0,1,2,xxx\'
+
+![示例图片](docs/img/10.png)
+
+### 结束训练
+
+- 训练完成的模型将位于 ' runs\detect\train\weights '
+
+![示例图片](docs/img/11.png)
+
+- 右键下载，即可将训练好的模型下载到本地。
+
+## 测试模型
+
+- 在安装了ultralytics的电脑中，运行scripts文件夹中的track_test.py,修改模型和摄像头。
+
+## 常见问题
+
+### LabelImg无法标注，闪退
+
+- 路径不能有中文
+- 请使用python3.9（推荐使用anconda）
+
+### 使用yolov8n 但是下载的是yolo11n
+
+- 删除文件夹里的yolov8n.pt即可。（其实可以直接用11了，速度更快，效果更好）

scripts/1080p.py

@@ -0,0 +1,29 @@
+# 使用前需要安装Pillow pip install Pillow
+
+from PIL import Image
+import os
+
+def resize_to_1080p(image_path):
+    try:
+        with Image.open(image_path) as img:
+            # 获取图像的原始尺寸
+            original_width, original_height = img.size
+            target_size = (1920, 1080)
+
+            # 等比例缩放图像
+            img.thumbnail(target_size, Image.LANCZOS)
+            img.save(image_path)
+            print(f"图像已调整大小: {image_path}")
+    except Exception as e:
+        print(f"处理图像时发生错误: {e}")
+
+def process_folder(folder_path):
+    for root, _, files in os.walk(folder_path):
+        for file in files:
+            if file.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
+                image_path = os.path.join(root, file)
+                resize_to_1080p(image_path)
+
+if __name__ == "__main__":
+    folder_path = r"E:\School\R\Robocon\垃圾桶\数据集"
+    process_folder(folder_path)

scripts/track_test.py

@@ -0,0 +1,63 @@
+from collections import defaultdict
+
+import cv2
+import numpy as np
+
+from ultralytics import YOLO
+
+# Load the YOLO model
+model = YOLO("yolo11n.pt")
+# model = YOLO("yolov8n.pt")
+# model = YOLO("your_yolo_model.pt")
+
+# Open the video file
+# video_path = "path/to/video.mp4"
+cap = cv2.VideoCapture(0)
+
+# Store the track history
+track_history = defaultdict(lambda: [])
+
+# Loop through the video frames
+while cap.isOpened():
+    # Read a frame from the video
+    success, frame = cap.read()
+
+    if success:
+        results = model.track(frame, persist=True)
+        # print(results)
+        boxes = results[0].boxes.xywh.cpu()
+        track_ids = results[0].boxes.id
+
+        if track_ids is not None:
+            track_ids = track_ids.int().cpu().tolist()
+        
+            # Visualize the results on the frame
+            annotated_frame = results[0].plot()
+
+            # Plot the tracks
+            for box, track_id in zip(boxes, track_ids):
+                x, y, w, h = box
+                track = track_history[track_id]
+                track.append((float(x), float(y)))  # x, y center point
+                if len(track) > 30:  # retain 90 tracks for 90 frames
+                    track.pop(0)
+
+                # Draw the tracking lines
+                points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
+                cv2.polylines(annotated_frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)
+        else:
+            annotated_frame = frame
+
+        # Display the annotated frame
+        cv2.imshow("YOLO11 Tracking", annotated_frame)
+
+        # Break the loop if 'q' is pressed
+        if cv2.waitKey(1) & 0xFF == ord("q"):
+            break
+    else:
+        # Break the loop if the end of the video is reached
+        break
+
+# Release the video capture object and close the display window
+cap.release()
+cv2.destroyAllWindows()

scripts/turn_img.py

@@ -0,0 +1,29 @@
+# 使用前需要安装Pillow pip install Pillow
+
+from PIL import Image
+import os
+
+def rotate_to_landscape(image_path):
+    try:
+        with Image.open(image_path) as img:
+            width, height = img.size
+            if height > width:
+                # 旋转图像使其变为横向
+                rotated_img = img.rotate(90, expand=True)
+                rotated_img.save(image_path)
+                print(f"图像已旋转: {image_path}")
+            else:
+                print(f"图像已是横向: {image_path}")
+    except Exception as e:
+        print(f"处理图像时发生错误: {e}")
+
+def process_folder(folder_path):
+    for root, _, files in os.walk(folder_path):
+        for file in files:
+            if file.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
+                image_path = os.path.join(root, file)
+                rotate_to_landscape(image_path)
+
+if __name__ == "__main__":
+    folder_path = "E:\School\R\Robocon\垃圾桶\数据集"
+    process_folder(folder_path)

yolo.yaml

@@ -0,0 +1,6 @@
+train: E:\School\R\Robocon\YOLOv8\datasets\images\train #训练集图片绝对路径
+val: E:\School\R\Robocon\YOLOv8\datasets\images\val #数据集绝对路径
+# number of classes
+nc: 2 #类别数
+# class names
+names: ['blue', 'red'] #类别名称