? ? ? ? 上一篇圓形表盤指針式儀表的項目受到很多人的關注，咱們一鼓作氣，把數字式工業儀表的智能讀數也研究一下。本篇主要講如何用YOLOV8實現數字式工業儀表的自動讀數，并將讀數結果進行輸出，若需要完整數據集和源代碼可以私信。

目錄

🍓🍓1.yolov8實現數字型儀表智能讀數?

🙋🙋2.數字儀表表盤目標檢測

🍋2.1準備數據

🍋2.2模型選擇

🍋2.3加載預訓練模型

🍋2.4數據組織?

🍉🍉3.目標檢測訓練代碼

🐸🐸4.目標檢測推理代碼

整理不易，歡迎一鍵三連！！！

送你們一條美麗的--分割線--

---

---

🍓🍓1.yolov8實現數字型儀表智能讀數?

????????首先介紹下數字型儀表的數據集如下所示，包含了各種數字型儀表：

???????

---

?????????最后實現的效果如下：

????????從原始數據輸入至最后輸出儀表讀數，共需要3步：

1. 從原始影像中通過目標檢測識別出表盤的位置；
2. 基于第一步的結果將表盤的位置切分出來，再進一步通過目標檢測識別表盤中的數字；
3. 基于第二步的結果對表盤中的數字進行智能讀數。

???????

?????????此篇主要介紹第一步【從原始影像中通過目標檢測識別出表盤的位置】

🙋🙋2.數字儀表表盤目標檢測

????????通過目標檢測方法對數字儀表表盤進行目標識別的方法不限，本文仍以YOLOv8為例進行說明。

🍋2.1準備數據

????????訓練數據集共包含390張，驗證集140張，測試集139張。部分訓練數據如下圖所示。

????????label部分采用YOLO格式的txt文件，格式如下所示：

🍋2.2模型選擇

? ? ? ? 以YOLOv8n為例，模型選擇代碼如下：

model = YOLO('yolov8n.yaml') ?# build a new model from YAML
model = YOLO('yolov8n.pt') ?# load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt') ?# build from YAML and transfer weights

? ? ? ? 其中yolov8n.yaml為./ultralytics/cfg/models/v8/yolov8n.yaml，可根據自己的數據進行模型調整，打開yolov8n.yaml顯示內容如下：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f, [1024]] # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)

????????主要需要修改的地方為nc，也就是num_class，此處如果是自己的表盤識別數據，那就要換成自己的表盤類別，此處我的輸入影像中只有表盤這一個類別，所以nc=1。

????????如果其他的模型參數不變的話，就默認保持原版yolov8，需要改造模型結構的大佬請繞行。

🍋2.3加載預訓練模型

????????加載預訓練模型yolov8n.pt，可以在第一次運行時自動下載，如果受到下載速度限制，也可以自行下載好（下載鏈接），放在對應目錄下即可。

?

🍋2.4數據組織?

?????????yolov8還是以yolo格式的數據為例，./ultralytics/cfg/datasets/data.yaml的內容示例如下：

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)# Classes (80 COCO classes)
names:0: person1: bicycle2: car# ...77: teddy bear78: hair drier79: toothbrush

????????此處建議根據自己的數據集設置新建一個shuziyibiao_data.yaml文件，放在./ultralytics/cfg/datasets/目錄下，最后數據集設置就可以直接用自己的shuziyibiao_data.yaml文件了。以我的shuziyibiao_data.yaml文件為例：

path: /home/datasets/shuziyibiao_dataset  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test: images/test # test images (optional)names:0: biao

🍉🍉3.目標檢測訓練代碼

? ? ? ? 準備好數據和模型之后，就可以開始訓練了，train.py的內容顯示為：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.yaml') ?# build a new model from YAML
model = YOLO('yolov8n.pt') ?# load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt') ?# build from YAML and transfer weights# Train the model
results = model.train(data='shuziyibiao_data.yaml', epochs=50, imgsz=640)

訓練完成后的結果如下：

????????其中weights文件夾內hi包含2個模型，一個best.pth，一個last.pth。

????????至此就可以使用best.pth進行推理預測表盤位置了。

在此貼上我的訓練結果：

?

🐸🐸4.目標檢測推理代碼

批量推理python代碼如下：

from ultralytics import YOLO
from PIL import Image
import cv2
import osmodel = YOLO('/yolov8/runs/detect/train4/weights/best.pt')  # load a custom model
path = '/home/數字儀表/dataset/images/test/'  #test_image_path_dir
img_list = os.listdir(path)
for img_path in img_list:
###  =============detect=====================im1 = Image.open(os.path.join(path,img_path))results = model.predict(source=im1, save=True,save_txt=True)

?推理得到的可視化結果如下：

????????為了方便下一步的表盤中的數字識別任務，可以將框內的表盤提取并裁剪出來，方便后續使用。裁剪后的表盤如下所示。

【YOLOv8】 用YOLOv8實現數字式工業儀表智能讀數(二)

【YOLOv8】 用YOLOv8實現數字式工業儀表智能讀數(三)-CSDN博客

整理不易，歡迎一鍵三連！！！

送你們一條美麗的--分割線--

🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸????🍎🍎👍👍🌷🌷?