企业官网建设流程全解析

株洲网站设计外包首选,地方门户网站运营方案,开展农业信息网站建设工作,软件公司 网站建设费分录气球检测数据集#xff0c;一类#xff0c;yolo 格式。2365张 已划分好数据集#xff0c;并写好了配置文件 以下是 2365张气球检测数据集 的完整说明与 YOLOv8 训练系统#xff0c;包含#xff1a; ✅ 数据集表格描述#xff08;已划分#xff09; ✅ YOLO格式标注说明 …气球检测数据集一类yolo 格式。2365张已划分好数据集并写好了配置文件以下是2365张气球检测数据集的完整说明与YOLOv8 训练系统包含✅ 数据集表格描述已划分✅ YOLO格式标注说明✅ 完整训练代码含data.yaml、train.py✅ 详细操作步骤✅ mAP0.5 ≥ 0.85如图所示✅ 一、数据集概览表属性详情数据集名称Balloon Detection Dataset图像数量2,365 张类别数量1 类balloon标注格式YOLO 格式.txt文件数据划分- 训练集1,655 张70%- 验证集473 张20%- 测试集237 张10%图像分辨率640×480 ~ 1280×720无人机/手机拍摄为主场景类型户外活动、节日庆典、儿童派对等目标特点多色、多形状圆形、心形、部分遮挡、背景复杂标注工具LabelImg / CVAT / Roboflow 数据结构示例balloon_dataset/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/✅ 二、YOLO 标注格式说明每张图像对应一个.txt文件格式如下0 0.45 0.32 0.12 0.080类别索引仅一类0.45,0.32中心点坐标归一化到 [0,1]0.12,0.08边界框宽高归一化✅ 示例在 640×480 图像中若气球左上角为 (200, 150)宽高为 80×40则0 0.45 0.32 0.12 0.08✅ 三、data.yaml配置文件# data.yamltrain:./balloon_dataset/train/imagesval:./balloon_dataset/val/imagestest:./balloon_dataset/test/imagesnc:1names:[balloon]✅ 四、YOLOv8 完整训练代码train_balloon.py# train_balloon.py 气球检测 - YOLOv8 训练脚本 - 数据集2365张1类balloon - 目标mAP0.5 0.85 - 使用预训练模型 yolov8n.pt importosimporttorchfromultralyticsimportYOLOimportmatplotlib.pyplotaspltimportpandasaspddefmain():# 配置参数 DATA_YAMLdata.yamlMODEL_NAMEyolov8n.pt# 小模型适合单类任务PROJECT_NAMEballoon_detectionRUN_NAMEexp_balloon_1clsEPOCHS200IMG_SIZE640BATCH_SIZE32# 16GB GPU 可设为 32LR00.001DEVICEcudaiftorch.cuda.is_available()elsecpuprint(f 启动训练 | 设备:{DEVICE}| 模型:{MODEL_NAME})# 加载模型 modelYOLO(MODEL_NAME)# 开始训练 resultsmodel.train(dataDATA_YAML,epochsEPOCHS,imgszIMG_SIZE,batchBATCH_SIZE,lr0LR0,deviceDEVICE,projectPROJECT_NAME,nameRUN_NAME,patience15,# 早停save_period10,# 每10轮保存一次workers4,# 数据加载线程数# 数据增强关键提升泛化性augmentTrue,mosaic0.5,# Mosaic 增强mixup0.2,# MixUp 增强copy_paste0.3,# Copy-Paste适合小目标degrees15.0,# 旋转 ±15°translate0.1,# 平移 10%scale0.1,# 缩放 ±10%shear2.0,# 剪切fliplr0.5,# 左右翻转hsv_h0.015,# 色调扰动重要彩色气球hsv_s0.7,# 饱和度hsv_v0.4,# 亮度)# 验证最终模型 print(\n 正在验证最终模型...)metricsmodel.val(dataDATA_YAML,deviceDEVICE)print(f\n✅ 训练完成)print(f mAP0.5:{metrics.box.map50:.4f})print(f mAP0.5-0.95:{metrics.box.map:.4f})print(f 最佳模型路径: runs/detect/{RUN_NAME}/weights/best.pt)# 绘制训练曲线 plot_training_curves(results)defplot_training_curves(results):绘制训练过程中的关键指标曲线results_csvf{results.save_dir}/results.csvdfpd.read_csv(results_csv)fig,axsplt.subplots(2,2,figsize(12,10))fig.suptitle(YOLOv8 Training Curves - Balloon Detection,fontsize16)# Precisionaxs[0,0].plot(df[epoch],df[metrics/precision(B)],b-,labelPrecision)axs[0,0].set_title(Precision)axs[0,0].grid(True)axs[0,0].legend()# Recallaxs[0,1].plot(df[epoch],df[metrics/recall(B)],g-,labelRecall)axs[0,1].set_title(Recall)axs[0,1].grid(True)axs[0,1].legend()# mAP0.5axs[1,0].plot(df[epoch],df[metrics/mAP50(B)],r-,labelmAP0.5)axs[1,0].set_title(mAP0.5)axs[1,0].grid(True)axs[1,0].legend()# mAP0.5-0.95axs[1,1].plot(df[epoch],df[metrics/mAP50-95(B)],m-,labelmAP0.5-0.95)axs[1,1].set_title(mAP0.5-0.95)axs[1,1].grid(True)axs[1,1].legend()plt.tight_layout()plt.savefig(f{results.save_dir}/training_curves.png,dpi150)plt.show()if__name____main__:main()✅ 五、训练结果分析基于图表指标数值预期说明mAP0.5≥ 0.85精度高适合实际部署mAP0.5-0.95≥ 0.65泛化能力强Precision≥ 0.82准确率高误检少Recall≥ 0.80漏检率低✅ 如图所示训练曲线稳定上升收敛良好无过拟合。✅ 六、运行命令# 1. 安装依赖pipinstallultralytics matplotlib pandas numpy torch torchvision# 2. 运行训练python train_balloon.py✅ 七、推理代码可选# inference.pyfromultralyticsimportYOLO modelYOLO(runs/detect/exp_balloon_1cls/weights/best.pt)resultsmodel(path/to/test_image.jpg,conf0.4,iou0.5)results[0].show()# 显示带框图像✅ 八、数据增强建议方法参数说明Mosaic0.5多图拼接提升多样性MixUp0.2图像混合防止过拟合Copy-Paste0.3模拟多个气球场景HSV 调整h0.015, s0.7, v0.4彩色气球鲁棒性更强Random Flip0.5左右翻转增加样本量