yolo官網

https://github.com/ultralytics/ultralytics?tab=readme-ov-file

下載python和解除限制

https://www.python.org/downloads/windows/
Set-ItemProperty -Path "HKLM:\SYSTEM\CurrentControlSet\Control\FileSystem" -Name "LongPathsEnabled" -Value 1

vscode中配置python

https://code.visualstudio.com/docs/python/environments?????

Tensorflow 理解訓練過程

y = 2x + 1 的學習過程 程序一開始是不知道這個函數的
一千次充分學習 分別求y值 得出的接近這個函數的結果

import tensorflow as tf
import numpy as np# 創建簡單的數據集（y = 2x + 1 加一些噪聲）
x = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
y = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)# 構建模型：單層神經網絡
model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])
])# 編譯模型
model.compile(optimizer='sgd', loss='mean_squared_error')# 訓練模型
print("\n開始訓練模型...")
model.fit(x, y, epochs=1000)# 確保TensorFlow正常工作
print("TensorFlow版本:", tf.__version__)
# 使用模型進行預測
print("\n預測結果:")
print(f"當x=10時，預測y值為: {model.predict(np.array([10.0]))[0][0]}")
print(f"當x=11時，預測y值為: {model.predict(np.array([12.0]))[0][0]}")
print(f"當x=12時，預測y值為: {model.predict(np.array([13.0]))[0][0]}")
print(f"當x=13時，預測y值為: {model.predict(np.array([14.0]))[0][0]}")

結論

預測結果:
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step
當x=10時，預測y值為: 18.9998779296875
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 22ms/step
當x=11時，預測y值為: 22.99984359741211
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 21ms/step
當x=12時，預測y值為: 24.999826431274414
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 22ms/step
當x=13時，預測y值為: 26.999807357788086

yolo quick start

https://docs.ultralytics.com/zh/quickstart/?????

訓練并導出模型

from ultralytics import YOLO# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)# Evaluate the model's performance on the validation set
results = model.val()# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")# Export the model to ONNX format
success = model.export(format="onnx")

驗證

ownloading https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt to 'yolo11n.pt': 100%|██████

from ultralytics import YOLO
import cv2# 1. 加載.pt格式的預訓練模型（或自己訓練的模型）
# 可以是官方預訓練模型（如yolo11n.pt），也可以是自己訓練保存的模型（如runs/train/exp/weights/best.pt）
model = YOLO("yolo11n.pt")  # 替換為你的.pt模型路徑# 2. 對單張圖片進行目標檢測
image_path = "bus.jpg"  # 測試圖片路徑
results = model(image_path)  # 執行推理# 3. 解析并可視化結果
for result in results:# 直接獲取處理后的圖像（已繪制檢測框和標簽）annotated_img = result.plot()  # 生成帶檢測框的圖像# 保存結果cv2.imwrite("detection_result.jpg", annotated_img)# 顯示結果（可選）cv2.imshow("YOLO Detection", annotated_img)cv2.waitKey(0)  # 按任意鍵關閉窗口cv2.destroyAllWindows()# 4. （擴展）對視頻進行檢測
video_path = "bus_test.mp4"  # 測試視頻路徑
cap = cv2.VideoCapture(video_path)while cap.isOpened():ret, frame = cap.read()if not ret:break# 對每一幀進行檢測results = model(frame)annotated_frame = results[0].plot()  # 繪制檢測框cv2.imshow("Video Detection", annotated_frame)if cv2.waitKey(1) & 0xFF == ord('q'):  # 按q退出breakcap.release()
cv2.destroyAllWindows()

效果圖