【计算机视觉】YOLOv8的测试以及训练过程（含源代码）

系统管理员 2023-10-13 13:33 72阅读 0赞

#### 文章目录 ####

*  一、导读
 *  二、部署环境
 *  三、预测结果
 *   *  3.1 使用检测模型
     *  3.2 使用分割模型
     *  3.3 使用分类模型
     *  3.4 使用pose检测模型
 *  四、COCO val 数据集
 *   *  4.1 在 COCO128 val 上验证 YOLOv8n
     *  4.2 在COCO128上训练YOLOv8n
 *  五、自己训练
 *   *  5.1 训练检测模型
     *  5.2 训练分割模型
     *  5.3 训练分类模型
     *  5.4 训练pose模型

## 一、导读 ##

YOLOv8是来自Ultralytics的最新的基于YOLO的对象检测模型系列，提供最先进的性能。

利用以前的 YOLO 版本，YOLOv8模型更快、更准确，同时为训练模型提供统一框架，以执行：

*  物体检测
 *  实例分割
 *  图像分类

Ultralytics为YOLO模型发布了一个全新的存储库。它被构建为 用于训练对象检测、实例分割和图像分类模型的统一框架。

以下是有关新版本的一些主要功能：

*  用户友好的 API（命令行 + Python）。
 *  更快更准确。
 *  支持：物体检测、实例分割和图像分类
 *  可扩展到所有以前的版本。
 *  新骨干网络。
 *  新的无锚头。
 *  新的损失函数。

YOLOv8 还高效灵活地支持多种导出格式，并且该模型可以在 CPU 和 GPU 上运行。

YOLOv8 模型的每个类别中有五个模型用于检测、分割和分类。YOLOv8 Nano 是最快和最小的，而 YOLOv8 Extra Large (YOLOv8x) 是其中最准确但最慢的。

![在这里插入图片描述][db117b2287df42c7985210fadcab25ea.png]

YOLOv8 捆绑了以下预训练模型：

*  在图像分辨率为 640 的 COCO 检测数据集上训练的对象检测检查点。
 *  在图像分辨率为 640 的 COCO 分割数据集上训练的实例分割检查点。
 *  在图像分辨率为 224 的 ImageNet 数据集上预训练的图像分类模型。

## 二、部署环境 ##

要充分发挥YOLOv8的潜力，需要从存储库和ultralytics包中安装要求。要安装要求，我们首先需要克隆存储库。

git clone https://github.com/ultralytics/ultralytics.git

pip install -r requirements.txt

在最新版本中，Ultralytics YOLOv8提供了完整的命令行界面 (CLI) API 和 Python SDK，用于执行训练、验证和推理。要使用yoloCLI，我们需要安装ultralytics包。

pip install ultralytics

我们的环境部署为：

%pip install ultralytics
    import ultralytics
    ultralytics.checks()

![在这里插入图片描述][aa7a8a33b4b0450caac4ac656c53e89c.png]

## 三、预测结果 ##

YOLOv8 可以直接在命令行界面 (CLI) 中使用“yolo”命令来执行各种任务和模式，并接受其他参数，即“imgsz=640”。 查看可用 yolo 参数 的完整列表以及 YOLOv8 预测文档 中的其他详细信息 /train/）。

### 3.1 使用检测模型 ###

!yolo predict model = yolov8n.pt source = '/kaggle/input/personpng/1.jpg'

![在这里插入图片描述][fed073ab8f5243bc83e392f6daaaeb75.png]

import matplotlib.pyplot as plt
    from PIL import Image
    
    image = Image.open('/kaggle/working/runs/detect/predict/1.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

结果展示为：

![在这里插入图片描述][e3ba463ae9344e7b90d040c5287a70f8.png]

### 3.2 使用分割模型 ###

!yolo task = segment mode = predict model = yolov8x-seg.pt source = '/kaggle/input/personpng/1.jpg'

![在这里插入图片描述][6eca6c079b2c44d299ab474ebf61e5b5.png]

image = Image.open('/kaggle/working/runs/segment/predict/1.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][42a8dcb56ebc48ff9dfc5c55df62c83d.png]

### 3.3 使用分类模型 ###

!yolo task = classify mode = predict model = yolov8x-cls.pt source = '/kaggle/input/personpng/1.jpg'

![在这里插入图片描述][bc6b9b199ea3456ca065612391dcbd57.png]

image = Image.open('/kaggle/working/runs/classify/predict/1.jpg')
    plt.figure(figsize=(20, 10))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][1d49a66dcd1242bdb5050b488fb8d9fd.png]

### 3.4 使用pose检测模型 ###

!yolo task = pose mode = predict model = yolov8n-pose.pt source = '/kaggle/input/personpng/1.jpg'

![在这里插入图片描述][f53f4bc53e954699a6c1f920c1fd54dc.png]

image = Image.open('/kaggle/working/runs/pose/predict/1.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][44e78ac9ff5242a0b33c7fe55edaadd5.png]

## 四、COCO val 数据集 ##

文件的大小为780M，共计5000张图像。

import torch
    torch.hub.download_url_to_file('https://ultralytics.com/assets/coco2017val.zip', 'tmp.zip')
    !unzip -q tmp.zip -d datasets && rm tmp.zip

![在这里插入图片描述][b94c7d38aa064b7fa105cd4a8bf753b5.png]

### 4.1 在 COCO128 val 上验证 YOLOv8n ###

!yolo val model = yolov8n.pt data = coco128.yaml

![在这里插入图片描述][553a8dc20fba48f0a0e12713971ab900.png]  
![在这里插入图片描述][68deec2f35684737be4e1d1f628d7d3e.png]  
![在这里插入图片描述][8215ad6953a04c2ebe1d5aa2ac21ba90.png]  
![在这里插入图片描述][008b92232d474f18a92d73b60665573d.png]  
![在这里插入图片描述][9a36adf4f2794b75abb3c29465d2bb49.png]  
![在这里插入图片描述][42e7c19209c14098b16eb4b7bdb60ab8.png]

import os
    
    folder_path = '/kaggle/working/runs/detect/val'
    image_extensions = ['.jpg', '.jpeg', '.png']  # 支持的图片文件扩展名
    image_paths = []
    for file in os.listdir(folder_path):
        if any(file.endswith(extension) for extension in image_extensions):
            image_paths.append(os.path.join(folder_path, file))
    for image_path in image_paths:
        image = plt.imread(image_path)
        plt.figure(figsize=(12, 8))
        plt.imshow(image)
        plt.axis('off')
        plt.show()

![在这里插入图片描述][b55ecb3bc31e43d0921e018a48aa86c7.png]  
![在这里插入图片描述][a7e2a467ca984e19854fcdeb8967dbbf.png]  
![在这里插入图片描述][67c61b4ac1ee44b2a6fbcdc6c0a39aee.png]  
![在这里插入图片描述][e9834d59247749c3aa703e237c544d87.png]  
![在这里插入图片描述][0f15c6c50b14483983b8bf205f13689b.png]  
![在这里插入图片描述][b59c2b6bdf444d5aa30546df17425755.png]  
![在这里插入图片描述][cb1484e059a54869a3a2513282e7018d.png]  
![在这里插入图片描述][04955e45364945a9b87ab4e5abd84d75.png]  
![在这里插入图片描述][7386fd2544324eec9884506c5516ccff.png]  
![在这里插入图片描述][b4d3595067d14145b30b22c81d9b3550.png]  
![在这里插入图片描述][64c76c9680854b64b8dbda83e53cf9ca.png]  
![在这里插入图片描述][39a429ebd937461d86409353e50ef5c2.png]

### 4.2 在COCO128上训练YOLOv8n ###

!yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640

![在这里插入图片描述][d0947724ade54f029c68388374ba22a6.png]  
![在这里插入图片描述][d2ca1c19d28f46e09ecb9e67684426a9.png]  
![在这里插入图片描述][62c8420efac64f248d64b258c4e35e7d.png]  
![在这里插入图片描述][f6a26ea037a145269973cbc099f6c15a.png]  
![在这里插入图片描述][83ce9914382b4e188aac1bf7065bef69.png]  
![在这里插入图片描述][1218fac862684f76810a9087d93b7a2a.png]  
![在这里插入图片描述][e92e282936844a6a91e744c08d4056a0.png]  
![在这里插入图片描述][b4b872665fb14a89b48de93c8a38cb9e.png]  
![在这里插入图片描述][8612c258e52544f2919748276faf8a11.png]  
![在这里插入图片描述][016732e377ce47d5bbfc31f19a7cb96a.png]  
![在这里插入图片描述][231ddf237fa0431e9ea532ac6b478e58.png]  
![在这里插入图片描述][82eaee439b5841cb94a13bdbd237de47.png]

## 五、自己训练 ##

### 5.1 训练检测模型 ###

# 导入YOLOv8n, 在COCO128上训练10个epochs，最后用一张图片预测
    from ultralytics import YOLO
    
    model = YOLO('yolov8n.pt')
    model.train(data = 'coco128.yaml', epochs = 10)
    model('https://ultralytics.com/images/bus.jpg')

![在这里插入图片描述][43d95d527d364c22a10b12e5cff8eeda.png]  
![在这里插入图片描述][e0793f565ce9478ba0b872f355630610.png]  
![在这里插入图片描述][eac2ee87ef804a9f8fa175149bb4c99d.png]  
![在这里插入图片描述][85ffdc5b91954afd8afbd0d078dd1520.png]  
![在这里插入图片描述][b4f19326c89c46d993069baa8d503b03.png]  
![在这里插入图片描述][dc10486d5f1b404587511d57429680dc.png]  
![在这里插入图片描述][8657e86ec59149d4869fd82a623e32ac.png]  
![在这里插入图片描述][4a4c635639a7435cb06606c703b2e07f.png]  
![在这里插入图片描述][c1954690c86742e58e02d3186081544c.png]  
![在这里插入图片描述][5601d535beb544548a21c772489a5a42.png]  
![在这里插入图片描述][c4055029ec134acb9c04ffcccddf0514.png]  
![在这里插入图片描述][2a0106c824d346b1952f751b83143bb8.png]  
![在这里插入图片描述][57be4d8e57074545aeb9fb90bec7dc82.png]

输出结果：

[ultralytics.yolo.engine.results.Results object with attributes:
     
     boxes: ultralytics.yolo.engine.results.Boxes object
     keypoints: None
     keys: ['boxes']
     masks: None
     names: {
        0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light', 10: 'fire hydrant', 11: 'stop sign', 12: 'parking meter', 13: 'bench', 14: 'bird', 15: 'cat', 16: 'dog', 17: 'horse', 18: 'sheep', 19: 'cow', 20: 'elephant', 21: 'bear', 22: 'zebra', 23: 'giraffe', 24: 'backpack', 25: 'umbrella', 26: 'handbag', 27: 'tie', 28: 'suitcase', 29: 'frisbee', 30: 'skis', 31: 'snowboard', 32: 'sports ball', 33: 'kite', 34: 'baseball bat', 35: 'baseball glove', 36: 'skateboard', 37: 'surfboard', 38: 'tennis racket', 39: 'bottle', 40: 'wine glass', 41: 'cup', 42: 'fork', 43: 'knife', 44: 'spoon', 45: 'bowl', 46: 'banana', 47: 'apple', 48: 'sandwich', 49: 'orange', 50: 'broccoli', 51: 'carrot', 52: 'hot dog', 53: 'pizza', 54: 'donut', 55: 'cake', 56: 'chair', 57: 'couch', 58: 'potted plant', 59: 'bed', 60: 'dining table', 61: 'toilet', 62: 'tv', 63: 'laptop', 64: 'mouse', 65: 'remote', 66: 'keyboard', 67: 'cell phone', 68: 'microwave', 69: 'oven', 70: 'toaster', 71: 'sink', 72: 'refrigerator', 73: 'book', 74: 'clock', 75: 'vase', 76: 'scissors', 77: 'teddy bear', 78: 'hair drier', 79: 'toothbrush'}
    
     orig_img: array([[[122, 148, 172],
             [120, 146, 170],
             [125, 153, 177],
             ...,
             [157, 170, 184],
             [158, 171, 185],
             [158, 171, 185]],
     
            [[127, 153, 177],
             [124, 150, 174],
             [127, 155, 179],
             ...,
             [158, 171, 185],
             [159, 172, 186],
             [159, 172, 186]],
     
            [[128, 154, 178],
             [126, 152, 176],
             [126, 154, 178],
             ...,
             [158, 171, 185],
             [158, 171, 185],
             [158, 171, 185]],
     
            ...,
     
             [[185, 185, 191],
             [182, 182, 188],
             [179, 179, 185],
             ...,
             [114, 107, 112],
             [115, 105, 111],
             [116, 106, 112]],
     
            [[157, 157, 163],
             [180, 180, 186],
             [185, 186, 190],
             ...,
             [107,  97, 103],
             [102,  92,  98],
             [108,  98, 104]],
     
            [[112, 112, 118],
             [160, 160, 166],
             [169, 170, 174],
             ...,
             [ 99,  89,  95],
             [ 96,  86,  92],
             [102,  92,  98]]], dtype=uint8)
     orig_shape: (1080, 810)
     path: '/kaggle/working/bus.jpg'
     probs: None
     save_dir: None
     speed: {
        'preprocess': 2.184629440307617, 'inference': 7.320880889892578, 'postprocess': 1.7354488372802734}]

我们测试的原图为：

image = Image.open('/kaggle/working/bus.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][2841afd8b374408582eb6d051cdb8c7c.png]

!yolo predict model = '/kaggle/working/runs/detect/train2/weights/best.pt' source = '/kaggle/working/bus.jpg'

![在这里插入图片描述][7c275c5849544017b70ac82e8f8a4cd5.png]

image = Image.open('/kaggle/working/runs/detect/predict2/bus.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][cd4c02f88dfd4400b4853cb5fec34391.png]

!yolo predict model = '/kaggle/working/runs/detect/train2/weights/best.pt' source = '/kaggle/input/personpng/1.jpg'

![在这里插入图片描述][b43e62b64fa04d6f9630686e6bfa91fc.png]

image = Image.open('/kaggle/working/runs/detect/predict3/1.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][75547845661041d4a07b6b2b05415367.png]

### 5.2 训练分割模型 ###

model = YOLO('yolov8n-seg.pt')
    model.train(data='coco128-seg.yaml', epochs = 10)
    model('https://ultralytics.com/images/bus.jpg')

![在这里插入图片描述][1bc59113975342ea87258e728f0c2baa.png]  
![在这里插入图片描述][3f4f63d4793442be8a998eea18e87a7c.png]  
![在这里插入图片描述][4bf7c7c7009b4c43839bcf05edb9cb6b.png]  
![在这里插入图片描述][52a5fa3e98b046519f26071db7679c3a.png]  
![在这里插入图片描述][be56d7b68ee74c16a27f6581117ee43a.png]  
![在这里插入图片描述][66a84a798b47483f9179adbefde8a30f.png]  
![在这里插入图片描述][2d16ed668e094f5eb19332b9d956ddea.png]  
![在这里插入图片描述][a0845aa31d5e4a64877e070647d98fe9.png]  
![在这里插入图片描述][954faceadfee4f3d9c47c416e38d7783.png]  
![在这里插入图片描述][5cb19a5ebc4d4fa3a313e7a7368bbcc6.png]  
![在这里插入图片描述][11a4f05c82c84ca297f87e275e1bb4ad.png]  
![在这里插入图片描述][19952d51b3d04716bcc20a599fe01362.png]  
![在这里插入图片描述][8f92fe44a37a4bb684b957c068f6d8cb.png]  
![在这里插入图片描述][a3c42767fa9645ffa1ba9d7889b36fa2.png]  
![在这里插入图片描述][8bfee8183ccf40588fa97400ba0a0ecf.png]  
![在这里插入图片描述][5cb0894281d44848b94c02f911887ef2.png]  
![在这里插入图片描述][a8a1146c69b247bb9be92668c8920759.png]

[ultralytics.yolo.engine.results.Results object with attributes:
     
     boxes: ultralytics.yolo.engine.results.Boxes object
     keypoints: None
     keys: ['boxes', 'masks']
     masks: ultralytics.yolo.engine.results.Masks object
     names: {
        0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light', 10: 'fire hydrant', 11: 'stop sign', 12: 'parking meter', 13: 'bench', 14: 'bird', 15: 'cat', 16: 'dog', 17: 'horse', 18: 'sheep', 19: 'cow', 20: 'elephant', 21: 'bear', 22: 'zebra', 23: 'giraffe', 24: 'backpack', 25: 'umbrella', 26: 'handbag', 27: 'tie', 28: 'suitcase', 29: 'frisbee', 30: 'skis', 31: 'snowboard', 32: 'sports ball', 33: 'kite', 34: 'baseball bat', 35: 'baseball glove', 36: 'skateboard', 37: 'surfboard', 38: 'tennis racket', 39: 'bottle', 40: 'wine glass', 41: 'cup', 42: 'fork', 43: 'knife', 44: 'spoon', 45: 'bowl', 46: 'banana', 47: 'apple', 48: 'sandwich', 49: 'orange', 50: 'broccoli', 51: 'carrot', 52: 'hot dog', 53: 'pizza', 54: 'donut', 55: 'cake', 56: 'chair', 57: 'couch', 58: 'potted plant', 59: 'bed', 60: 'dining table', 61: 'toilet', 62: 'tv', 63: 'laptop', 64: 'mouse', 65: 'remote', 66: 'keyboard', 67: 'cell phone', 68: 'microwave', 69: 'oven', 70: 'toaster', 71: 'sink', 72: 'refrigerator', 73: 'book', 74: 'clock', 75: 'vase', 76: 'scissors', 77: 'teddy bear', 78: 'hair drier', 79: 'toothbrush'}
      orig_img: array([[[122, 148, 172],
             [120, 146, 170],
             [125, 153, 177],
             ...,
             [157, 170, 184],
             [158, 171, 185],
             [158, 171, 185]],
     
            [[127, 153, 177],
             [124, 150, 174],
             [127, 155, 179],
             ...,
             [158, 171, 185],
             [159, 172, 186],
             [159, 172, 186]],
     
            [[128, 154, 178],
             [126, 152, 176],
             [126, 154, 178],
             ...,
             [158, 171, 185],
             [158, 171, 185],
             [158, 171, 185]],
     
            ...,
                    [[185, 185, 191],
             [182, 182, 188],
             [179, 179, 185],
             ...,
             [114, 107, 112],
             [115, 105, 111],
             [116, 106, 112]],
     
            [[157, 157, 163],
             [180, 180, 186],
             [185, 186, 190],
             ...,
             [107,  97, 103],
             [102,  92,  98],
             [108,  98, 104]],
     
            [[112, 112, 118],
             [160, 160, 166],
             [169, 170, 174],
             ...,
             [ 99,  89,  95],
             [ 96,  86,  92],
             [102,  92,  98]]], dtype=uint8)
    
     orig_shape: (1080, 810)
     path: '/kaggle/working/bus.jpg'
     probs: None
     save_dir: None
     speed: {
        'preprocess': 2.610445022583008, 'inference': 23.540735244750977, 'postprocess': 2.538442611694336}]

!yolo predict model = '/kaggle/working/runs/segment/train/weights/best.pt' source = '/kaggle/working/bus.jpg'

![在这里插入图片描述][9c139964180a402e965ac5ea902ff411.png]

image = Image.open('/kaggle/working/runs/segment/predict2/bus.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][7fd54e2ccf674e4da7cee4025d764c72.png]

### 5.3 训练分类模型 ###

model = YOLO('yolov8n-cls.pt')
    model.train(data='mnist160', epochs = 10)
    model('https://ultralytics.com/images/bus.jpg')

![在这里插入图片描述][b727187e945147f3890a94dc91a2a234.png]  
![在这里插入图片描述][ccf0e01a70664bcfbebcc03e2c72bdb3.png]  
![在这里插入图片描述][8224f9d0365a4fd7b8fc1dfb13b0521e.png]  
![在这里插入图片描述][4e93b9834b7f41b0abe87f8df1bd4a6e.png]  
![在这里插入图片描述][3b9f963a70ed4b38b14be300ee93556b.png]  
![在这里插入图片描述][67a88fe63c0e49048685f7c79ab2833e.png]  
![在这里插入图片描述][2271cb1bd4914d6b87d74aeec1ab1115.png]  
![在这里插入图片描述][d15372edbd1943a7b1fb9dc0cb2064f9.png]

[ultralytics.yolo.engine.results.Results object with attributes:
     
     boxes: None
     keypoints: None
     keys: ['probs']
     masks: None
     names: {
        0: '0', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5', 6: '6', 7: '7', 8: '8', 9: '9'}
     orig_img: array([[[122, 148, 172],
             [120, 146, 170],
             [125, 153, 177],
             ...,
             [157, 170, 184],
             [158, 171, 185],
             [158, 171, 185]],
     
            [[127, 153, 177],
             [124, 150, 174],
             [127, 155, 179],
             ...,
             [158, 171, 185],
             [159, 172, 186],
             [159, 172, 186]],
     
            [[128, 154, 178],
             [126, 152, 176],
             [126, 154, 178],
             ...,
             [158, 171, 185],
             [158, 171, 185],
             [158, 171, 185]],
              
            ...,
     
            [[185, 185, 191],
             [182, 182, 188],
             [179, 179, 185],
             ...,
             [114, 107, 112],
             [115, 105, 111],
             [116, 106, 112]],
     
            [[157, 157, 163],
             [180, 180, 186],
             [185, 186, 190],
             ...,
             [107,  97, 103],
             [102,  92,  98],
             [108,  98, 104]],
     
            [[112, 112, 118],
             [160, 160, 166],
             [169, 170, 174],
             ...,
                      [ 99,  89,  95],
             [ 96,  86,  92],
             [102,  92,  98]]], dtype=uint8)
     orig_shape: (1080, 810)
     path: '/kaggle/working/bus.jpg'
     probs: ultralytics.yolo.engine.results.Probs object
     save_dir: None
     speed: {
        'preprocess': 1.3382434844970703, 'inference': 2.797365188598633, 'postprocess': 0.07772445678710938}]

!yolo predict model = '/kaggle/working/runs/classify/train/weights/best.pt' source = '/kaggle/working/bus.jpg'

![在这里插入图片描述][5a5e498e48ba45e7bcb3463df8e3962d.png]

image = Image.open('/kaggle/working/runs/classify/predict2/bus.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][0411faaad32042559432abd9ecf58261.png]

### 5.4 训练pose模型 ###

model = YOLO('yolov8n-pose.pt')
    model.train(data='coco8-pose.yaml', epochs = 10)
    model('https://ultralytics.com/images/bus.jpg')

![在这里插入图片描述][70a34d198305420da9872ed0322e45c0.png]  
![在这里插入图片描述][7f2e0f200cac4fd4a42cf34e0b9a8a0d.png]  
![在这里插入图片描述][11f6906cab7f4bcdbe804b84f25c80be.png]  
![在这里插入图片描述][4e82449acfdf48a99fea04043ed45054.png]  
![在这里插入图片描述][3c41d215d4e2491b88bb4a0c45a3a085.png]  
![在这里插入图片描述][5b64c8aab1764e46ac9b41841597951f.png]  
![在这里插入图片描述][97db4f9cfcc64050a0321e2b9b60b93a.png]  
![在这里插入图片描述][956ea7ddf7254ba6b4d79e7148040663.png]  
![在这里插入图片描述][edc4ae6f34ff48f7a1c6803c1cf14a11.png]  
![在这里插入图片描述][b376d1d261f9488b9e0c7061fa605be6.png]

[ultralytics.yolo.engine.results.Results object with attributes:
     
     boxes: ultralytics.yolo.engine.results.Boxes object
     keypoints: ultralytics.yolo.engine.results.Keypoints object
     keys: ['boxes', 'keypoints']
     masks: None
     names: {
        0: 'person'}
     orig_img: array([[[122, 148, 172],
             [120, 146, 170],
             [125, 153, 177],
             ...,
             [157, 170, 184],
             [158, 171, 185],
             [158, 171, 185]],
     
            [[127, 153, 177],
             [124, 150, 174],
             [127, 155, 179],
             ...,
             [158, 171, 185],
             [159, 172, 186],
             [159, 172, 186]],
     
            [[128, 154, 178],
             [126, 152, 176],
             [126, 154, 178],
             ...,
             [158, 171, 185],
             [158, 171, 185],
             [158, 171, 185]],
              
            ...,
     
            [[185, 185, 191],
             [182, 182, 188],
             [179, 179, 185],
             ...,
             [114, 107, 112],
             [115, 105, 111],
             [116, 106, 112]],
     
            [[157, 157, 163],
             [180, 180, 186],
             [185, 186, 190],
             ...,
             [107,  97, 103],
             [102,  92,  98],
             [108,  98, 104]],
     
            [[112, 112, 118],
             [160, 160, 166],
             [169, 170, 174],
             ...,
             [ 99,  89,  95],
             [ 96,  86,  92],
             [102,  92,  98]]], dtype=uint8)
              orig_shape: (1080, 810)
     path: '/kaggle/working/bus.jpg'
     probs: None
     save_dir: None
     speed: {
        'preprocess': 2.290487289428711, 'inference': 22.292375564575195, 'postprocess': 1.9459724426269531}]

!yolo predict model = '/kaggle/working/runs/pose/train/weights/best.pt' source = '/kaggle/working/bus.jpg'

![在这里插入图片描述][947ea7520a2143f5990b3488a3b67685.png]

image = Image.open('/kaggle/working/runs/pose/predict2/bus.jpg')
    plt.figure(figsize=(12, 8))
    plt.imshow(image)
    plt.axis('off')
    plt.show()

![在这里插入图片描述][9aa6070bdd03480898c866ccc8b7c7d4.png]

[db117b2287df42c7985210fadcab25ea.png]: https://img-blog.csdnimg.cn/db117b2287df42c7985210fadcab25ea.png
[aa7a8a33b4b0450caac4ac656c53e89c.png]: https://img-blog.csdnimg.cn/aa7a8a33b4b0450caac4ac656c53e89c.png
[fed073ab8f5243bc83e392f6daaaeb75.png]: https://img-blog.csdnimg.cn/fed073ab8f5243bc83e392f6daaaeb75.png
[e3ba463ae9344e7b90d040c5287a70f8.png]: https://img-blog.csdnimg.cn/e3ba463ae9344e7b90d040c5287a70f8.png
[6eca6c079b2c44d299ab474ebf61e5b5.png]: https://img-blog.csdnimg.cn/6eca6c079b2c44d299ab474ebf61e5b5.png
[42a8dcb56ebc48ff9dfc5c55df62c83d.png]: https://img-blog.csdnimg.cn/42a8dcb56ebc48ff9dfc5c55df62c83d.png
[bc6b9b199ea3456ca065612391dcbd57.png]: https://img-blog.csdnimg.cn/bc6b9b199ea3456ca065612391dcbd57.png
[1d49a66dcd1242bdb5050b488fb8d9fd.png]: https://img-blog.csdnimg.cn/1d49a66dcd1242bdb5050b488fb8d9fd.png
[f53f4bc53e954699a6c1f920c1fd54dc.png]: https://img-blog.csdnimg.cn/f53f4bc53e954699a6c1f920c1fd54dc.png
[44e78ac9ff5242a0b33c7fe55edaadd5.png]: https://img-blog.csdnimg.cn/44e78ac9ff5242a0b33c7fe55edaadd5.png
[b94c7d38aa064b7fa105cd4a8bf753b5.png]: https://img-blog.csdnimg.cn/b94c7d38aa064b7fa105cd4a8bf753b5.png
[553a8dc20fba48f0a0e12713971ab900.png]: https://img-blog.csdnimg.cn/553a8dc20fba48f0a0e12713971ab900.png
[68deec2f35684737be4e1d1f628d7d3e.png]: https://img-blog.csdnimg.cn/68deec2f35684737be4e1d1f628d7d3e.png
[8215ad6953a04c2ebe1d5aa2ac21ba90.png]: https://img-blog.csdnimg.cn/8215ad6953a04c2ebe1d5aa2ac21ba90.png
[008b92232d474f18a92d73b60665573d.png]: https://img-blog.csdnimg.cn/008b92232d474f18a92d73b60665573d.png
[9a36adf4f2794b75abb3c29465d2bb49.png]: https://img-blog.csdnimg.cn/9a36adf4f2794b75abb3c29465d2bb49.png
[42e7c19209c14098b16eb4b7bdb60ab8.png]: https://img-blog.csdnimg.cn/42e7c19209c14098b16eb4b7bdb60ab8.png
[b55ecb3bc31e43d0921e018a48aa86c7.png]: https://img-blog.csdnimg.cn/b55ecb3bc31e43d0921e018a48aa86c7.png
[a7e2a467ca984e19854fcdeb8967dbbf.png]: https://img-blog.csdnimg.cn/a7e2a467ca984e19854fcdeb8967dbbf.png
[67c61b4ac1ee44b2a6fbcdc6c0a39aee.png]: https://img-blog.csdnimg.cn/67c61b4ac1ee44b2a6fbcdc6c0a39aee.png
[e9834d59247749c3aa703e237c544d87.png]: https://img-blog.csdnimg.cn/e9834d59247749c3aa703e237c544d87.png
[0f15c6c50b14483983b8bf205f13689b.png]: https://img-blog.csdnimg.cn/0f15c6c50b14483983b8bf205f13689b.png
[b59c2b6bdf444d5aa30546df17425755.png]: https://img-blog.csdnimg.cn/b59c2b6bdf444d5aa30546df17425755.png
[cb1484e059a54869a3a2513282e7018d.png]: https://img-blog.csdnimg.cn/cb1484e059a54869a3a2513282e7018d.png
[04955e45364945a9b87ab4e5abd84d75.png]: https://img-blog.csdnimg.cn/04955e45364945a9b87ab4e5abd84d75.png
[7386fd2544324eec9884506c5516ccff.png]: https://img-blog.csdnimg.cn/7386fd2544324eec9884506c5516ccff.png
[b4d3595067d14145b30b22c81d9b3550.png]: https://img-blog.csdnimg.cn/b4d3595067d14145b30b22c81d9b3550.png
[64c76c9680854b64b8dbda83e53cf9ca.png]: https://img-blog.csdnimg.cn/64c76c9680854b64b8dbda83e53cf9ca.png
[39a429ebd937461d86409353e50ef5c2.png]: https://img-blog.csdnimg.cn/39a429ebd937461d86409353e50ef5c2.png
[d0947724ade54f029c68388374ba22a6.png]: https://img-blog.csdnimg.cn/d0947724ade54f029c68388374ba22a6.png
[d2ca1c19d28f46e09ecb9e67684426a9.png]: https://img-blog.csdnimg.cn/d2ca1c19d28f46e09ecb9e67684426a9.png
[62c8420efac64f248d64b258c4e35e7d.png]: https://img-blog.csdnimg.cn/62c8420efac64f248d64b258c4e35e7d.png
[f6a26ea037a145269973cbc099f6c15a.png]: https://img-blog.csdnimg.cn/f6a26ea037a145269973cbc099f6c15a.png
[83ce9914382b4e188aac1bf7065bef69.png]: https://img-blog.csdnimg.cn/83ce9914382b4e188aac1bf7065bef69.png
[1218fac862684f76810a9087d93b7a2a.png]: https://img-blog.csdnimg.cn/1218fac862684f76810a9087d93b7a2a.png
[e92e282936844a6a91e744c08d4056a0.png]: https://img-blog.csdnimg.cn/e92e282936844a6a91e744c08d4056a0.png
[b4b872665fb14a89b48de93c8a38cb9e.png]: https://img-blog.csdnimg.cn/b4b872665fb14a89b48de93c8a38cb9e.png
[8612c258e52544f2919748276faf8a11.png]: https://img-blog.csdnimg.cn/8612c258e52544f2919748276faf8a11.png
[016732e377ce47d5bbfc31f19a7cb96a.png]: https://img-blog.csdnimg.cn/016732e377ce47d5bbfc31f19a7cb96a.png
[231ddf237fa0431e9ea532ac6b478e58.png]: https://img-blog.csdnimg.cn/231ddf237fa0431e9ea532ac6b478e58.png
[82eaee439b5841cb94a13bdbd237de47.png]: https://img-blog.csdnimg.cn/82eaee439b5841cb94a13bdbd237de47.png
[43d95d527d364c22a10b12e5cff8eeda.png]: https://img-blog.csdnimg.cn/43d95d527d364c22a10b12e5cff8eeda.png
[e0793f565ce9478ba0b872f355630610.png]: https://img-blog.csdnimg.cn/e0793f565ce9478ba0b872f355630610.png
[eac2ee87ef804a9f8fa175149bb4c99d.png]: https://img-blog.csdnimg.cn/eac2ee87ef804a9f8fa175149bb4c99d.png
[85ffdc5b91954afd8afbd0d078dd1520.png]: https://img-blog.csdnimg.cn/85ffdc5b91954afd8afbd0d078dd1520.png
[b4f19326c89c46d993069baa8d503b03.png]: https://img-blog.csdnimg.cn/b4f19326c89c46d993069baa8d503b03.png
[dc10486d5f1b404587511d57429680dc.png]: https://img-blog.csdnimg.cn/dc10486d5f1b404587511d57429680dc.png
[8657e86ec59149d4869fd82a623e32ac.png]: https://img-blog.csdnimg.cn/8657e86ec59149d4869fd82a623e32ac.png
[4a4c635639a7435cb06606c703b2e07f.png]: https://img-blog.csdnimg.cn/4a4c635639a7435cb06606c703b2e07f.png
[c1954690c86742e58e02d3186081544c.png]: https://img-blog.csdnimg.cn/c1954690c86742e58e02d3186081544c.png
[5601d535beb544548a21c772489a5a42.png]: https://img-blog.csdnimg.cn/5601d535beb544548a21c772489a5a42.png
[c4055029ec134acb9c04ffcccddf0514.png]: https://img-blog.csdnimg.cn/c4055029ec134acb9c04ffcccddf0514.png
[2a0106c824d346b1952f751b83143bb8.png]: https://img-blog.csdnimg.cn/2a0106c824d346b1952f751b83143bb8.png
[57be4d8e57074545aeb9fb90bec7dc82.png]: https://img-blog.csdnimg.cn/57be4d8e57074545aeb9fb90bec7dc82.png
[2841afd8b374408582eb6d051cdb8c7c.png]: https://img-blog.csdnimg.cn/2841afd8b374408582eb6d051cdb8c7c.png
[7c275c5849544017b70ac82e8f8a4cd5.png]: https://img-blog.csdnimg.cn/7c275c5849544017b70ac82e8f8a4cd5.png
[cd4c02f88dfd4400b4853cb5fec34391.png]: https://img-blog.csdnimg.cn/cd4c02f88dfd4400b4853cb5fec34391.png
[b43e62b64fa04d6f9630686e6bfa91fc.png]: https://img-blog.csdnimg.cn/b43e62b64fa04d6f9630686e6bfa91fc.png
[75547845661041d4a07b6b2b05415367.png]: https://img-blog.csdnimg.cn/75547845661041d4a07b6b2b05415367.png
[1bc59113975342ea87258e728f0c2baa.png]: https://img-blog.csdnimg.cn/1bc59113975342ea87258e728f0c2baa.png
[3f4f63d4793442be8a998eea18e87a7c.png]: https://img-blog.csdnimg.cn/3f4f63d4793442be8a998eea18e87a7c.png
[4bf7c7c7009b4c43839bcf05edb9cb6b.png]: https://img-blog.csdnimg.cn/4bf7c7c7009b4c43839bcf05edb9cb6b.png
[52a5fa3e98b046519f26071db7679c3a.png]: https://img-blog.csdnimg.cn/52a5fa3e98b046519f26071db7679c3a.png
[be56d7b68ee74c16a27f6581117ee43a.png]: https://img-blog.csdnimg.cn/be56d7b68ee74c16a27f6581117ee43a.png
[66a84a798b47483f9179adbefde8a30f.png]: https://img-blog.csdnimg.cn/66a84a798b47483f9179adbefde8a30f.png
[2d16ed668e094f5eb19332b9d956ddea.png]: https://img-blog.csdnimg.cn/2d16ed668e094f5eb19332b9d956ddea.png
[a0845aa31d5e4a64877e070647d98fe9.png]: https://img-blog.csdnimg.cn/a0845aa31d5e4a64877e070647d98fe9.png
[954faceadfee4f3d9c47c416e38d7783.png]: https://img-blog.csdnimg.cn/954faceadfee4f3d9c47c416e38d7783.png
[5cb19a5ebc4d4fa3a313e7a7368bbcc6.png]: https://img-blog.csdnimg.cn/5cb19a5ebc4d4fa3a313e7a7368bbcc6.png
[11a4f05c82c84ca297f87e275e1bb4ad.png]: https://img-blog.csdnimg.cn/11a4f05c82c84ca297f87e275e1bb4ad.png
[19952d51b3d04716bcc20a599fe01362.png]: https://img-blog.csdnimg.cn/19952d51b3d04716bcc20a599fe01362.png
[8f92fe44a37a4bb684b957c068f6d8cb.png]: https://img-blog.csdnimg.cn/8f92fe44a37a4bb684b957c068f6d8cb.png
[a3c42767fa9645ffa1ba9d7889b36fa2.png]: https://img-blog.csdnimg.cn/a3c42767fa9645ffa1ba9d7889b36fa2.png
[8bfee8183ccf40588fa97400ba0a0ecf.png]: https://img-blog.csdnimg.cn/8bfee8183ccf40588fa97400ba0a0ecf.png
[5cb0894281d44848b94c02f911887ef2.png]: https://img-blog.csdnimg.cn/5cb0894281d44848b94c02f911887ef2.png
[a8a1146c69b247bb9be92668c8920759.png]: https://img-blog.csdnimg.cn/a8a1146c69b247bb9be92668c8920759.png
[9c139964180a402e965ac5ea902ff411.png]: https://img-blog.csdnimg.cn/9c139964180a402e965ac5ea902ff411.png
[7fd54e2ccf674e4da7cee4025d764c72.png]: https://img-blog.csdnimg.cn/7fd54e2ccf674e4da7cee4025d764c72.png
[b727187e945147f3890a94dc91a2a234.png]: https://img-blog.csdnimg.cn/b727187e945147f3890a94dc91a2a234.png
[ccf0e01a70664bcfbebcc03e2c72bdb3.png]: https://img-blog.csdnimg.cn/ccf0e01a70664bcfbebcc03e2c72bdb3.png
[8224f9d0365a4fd7b8fc1dfb13b0521e.png]: https://img-blog.csdnimg.cn/8224f9d0365a4fd7b8fc1dfb13b0521e.png
[4e93b9834b7f41b0abe87f8df1bd4a6e.png]: https://img-blog.csdnimg.cn/4e93b9834b7f41b0abe87f8df1bd4a6e.png
[3b9f963a70ed4b38b14be300ee93556b.png]: https://img-blog.csdnimg.cn/3b9f963a70ed4b38b14be300ee93556b.png
[67a88fe63c0e49048685f7c79ab2833e.png]: https://img-blog.csdnimg.cn/67a88fe63c0e49048685f7c79ab2833e.png
[2271cb1bd4914d6b87d74aeec1ab1115.png]: https://img-blog.csdnimg.cn/2271cb1bd4914d6b87d74aeec1ab1115.png
[d15372edbd1943a7b1fb9dc0cb2064f9.png]: https://img-blog.csdnimg.cn/d15372edbd1943a7b1fb9dc0cb2064f9.png
[5a5e498e48ba45e7bcb3463df8e3962d.png]: https://img-blog.csdnimg.cn/5a5e498e48ba45e7bcb3463df8e3962d.png
[0411faaad32042559432abd9ecf58261.png]: https://img-blog.csdnimg.cn/0411faaad32042559432abd9ecf58261.png
[70a34d198305420da9872ed0322e45c0.png]: https://img-blog.csdnimg.cn/70a34d198305420da9872ed0322e45c0.png
[7f2e0f200cac4fd4a42cf34e0b9a8a0d.png]: https://img-blog.csdnimg.cn/7f2e0f200cac4fd4a42cf34e0b9a8a0d.png
[11f6906cab7f4bcdbe804b84f25c80be.png]: https://img-blog.csdnimg.cn/11f6906cab7f4bcdbe804b84f25c80be.png
[4e82449acfdf48a99fea04043ed45054.png]: https://img-blog.csdnimg.cn/4e82449acfdf48a99fea04043ed45054.png
[3c41d215d4e2491b88bb4a0c45a3a085.png]: https://img-blog.csdnimg.cn/3c41d215d4e2491b88bb4a0c45a3a085.png
[5b64c8aab1764e46ac9b41841597951f.png]: https://img-blog.csdnimg.cn/5b64c8aab1764e46ac9b41841597951f.png
[97db4f9cfcc64050a0321e2b9b60b93a.png]: https://img-blog.csdnimg.cn/97db4f9cfcc64050a0321e2b9b60b93a.png
[956ea7ddf7254ba6b4d79e7148040663.png]: https://img-blog.csdnimg.cn/956ea7ddf7254ba6b4d79e7148040663.png
[edc4ae6f34ff48f7a1c6803c1cf14a11.png]: https://img-blog.csdnimg.cn/edc4ae6f34ff48f7a1c6803c1cf14a11.png
[b376d1d261f9488b9e0c7061fa605be6.png]: https://img-blog.csdnimg.cn/b376d1d261f9488b9e0c7061fa605be6.png
[947ea7520a2143f5990b3488a3b67685.png]: https://img-blog.csdnimg.cn/947ea7520a2143f5990b3488a3b67685.png
[9aa6070bdd03480898c866ccc8b7c7d4.png]: https://img-blog.csdnimg.cn/9aa6070bdd03480898c866ccc8b7c7d4.png