焊接自动化测试平台图像处理分析-模型训练推理

1、使用技术栈：jdk17/springboot/python/opencv/yolov8

2、JAVA环境搭建

JDK17下载安装：

wget https://download.oracle.com/java/17/latest/jdk-17_linux-x64_bin.tar.gz

解压软件

tar -xf jdk-17.0.16_linux-x64_bin.tar.gz

配置全局变量

vim /etc/profile

放到最后面

export JAVA_HOME=/usr/local/jdk-17.0.16

export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH

export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH

使环境变量生效

source /etc/profile

设置环境变量：CXJG_HOST = prod

echo 'export CXJG_HOST=prod' >> ~/.bashrc

source ~/.bashrc

后台启动jar服务：

java Jar包后台启动并把日志输出到 output.log中

nohup java -jar robot-0.0.1-SNAPSHOT.jar > output.log 2>&1 &

3、通过虚拟环境安装进行隔离

python -m venv yolov8-env

source yolov8-env/bin/activate

pip install opencv-python

pip install --upgrade pip

pip install ultralytics

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

如果不行执行一下

source yolov8-env/bin/activate

python -c "import cv2; print(cv2.__version__)"

python -c 'from ultralytics import YOLO; print("YOLOv8 installed!")'

pip show ultralytics

退出当前虚拟环境‌：

bashCopy Code

conda deactivate

该命令会将当前激活的虚拟环境退出，返回base环境或系统默认环境

若使用source venv/bin/activate激活的环境，直接输入deactivate即可退出811。

安装python3.13

apt install python3-pip

安装yolov8n

pip3 install ultralytics

安装schedule

pip uninstall schedule

pip install schedule

安装pymysql

pip3 install pymysql

安装dbutils

pip3 install dbutils

pip3 install --upgrade python-dateutil

4、mysql8下载安装

参考：https://blog.csdn.net/ITzhanghao/article/details/150922166?spm=1001.2014.3001.5502

基于Yolov8n 模型训练流程：

加载显示数据
1. #加载与训练模型
2. #安装三方库：ultralytics
3. #导包：from ultralytics import YOLO
5. from numpy.__config__ import show
6. from ultralytics import YOLO
7. #1.'加载模型
8. #2.检测目标
9. #加载预训练模型
10. #官方提供的基础测试和训练模型
11. #首次运行自动下载。
12. a1 = YOLO('yolov8n.pt')
13. #2.检测目标
14. #show=True 显示检测结果
15. #save=True,保存检测结果
16. a1('2.jpg',show = True,save = True)
检测图片或视频
1. #检测网络图片
3. from ultralytics import YOLO
5. a1 = YOLO('yolov8n.pt')
7. a1('mv.jpg',show = True,save = True)
准备数据集结构
1. #准备数据集结构文件
4. #跟目标创建1个文件夹（可自定义名称）
5. #下面创建再2个文件夹（images和labels)
6. #images和labels 下再分别创建2个文件夹（train和val)
7. #images下的train和val 芳入训练图片（png,jp
8. #labels下的train和val 放入图片标注(txt)
准备训练图片和标注
准备数据集配置文件
1. #准备数据集配置文件
3. #创建1个yaml格式的文件（可自定义名称）
4. #配置数据集信息、用于训练模型
5. data.yaml内容如下：
  1. path: C:\Users\HR0432\source\repos\robot\robot\xun #数据集根目录

1. 1. train: images/train #训练集图片路径
  2. val: images/val #验证集图片路径
  3. nc: 3 #类别数量
  4. names: ['正常','发黑','爆点'] #类别名称
开始训练
1. #开始模型训练
2. import sys
3. import io
4. sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
6. from ultralytics import YOLO
7. import matplotlib
8. matplotlib.use('Agg') # 寮哄埗浣跨敤闈炰氦浜掑紡鍚庣
11. #加载预训练模型
12. a1 = YOLO('yolov8n.pt')
13. #开始训练
14. a1.train(
15. data='data.yaml', #数据集配置文件路径
16. epochs=300, #训练轮次官方推荐500
17. imgsz=640, #输入图片尺寸官方推荐640
18. batch=16, #每次训练的批量官方推荐16/32
19. device='cpu' , #GPU=0 CPU= 'cpu'
20. workers=4 # 数据加载线程数
21. )
23. print('**********************************')
24. print('**********************************')
25. print('**********************************')
26. print('**************SUCCESS*************')
27. print('**************SUCCESS*************')
28. print('**************SUCCESS*************')
29. print('**********************************')
30. print('**********************************')
31. print('**********************************')
测试模型结果
1. #检测模型结果
3. from ultralytics import YOLO
4. #模型训练完毕自动保存到C:\Users\HR0432\source\repos\robot\robot\runs\detect\train2\weights
5. #best.pt是训练好的最优模型（适用于最终应用）
6. #last.pt是训练的最后一轮模型（适用于训练继续）
9. #加载自己训练好的模型
10. a1 = YOLO(r'C:\Users\HR0432\source\repos\robot\robot\runs\detect\train16\weights\best.pt')
11. #目标检测
12. a1('3.jpg',show = True,save = True)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/web/96002.shtml
繁体地址，请注明出处：http://hk.pswp.cn/web/96002.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！