焊接自動化測試平臺圖像處理分析-模型訓練推理

1、使用技術棧：jdk17/springboot/python/opencv/yolov8

2、JAVA環境搭建??

JDK17下載安裝：

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

解壓軟件

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

配置全局變量

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

使環境變量生效

source?/etc/profile

設置環境變量：CXJG_HOST = prod

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

source ~/.bashrc

后臺啟動jar服務：

java Jar包后臺啟動并把日志輸出到 output.log中

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

3、通過虛擬環境安裝進行隔離

?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?執行一下?

source?yolov8-env/bin/activate

???

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

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

?pip?show?ultralytics

退出當前虛擬環境?：

bashCopy Code

conda deactivate

該命令會將當前激活的虛擬環境退出，返回base環境或系統默認環境

若使用source venv/bin/activate激活的環境，直接輸入deactivate即可退出811。

安裝python3.13

apt install python3-pip

安裝yolov8n

pip3 install ultralytics

安裝schedule

pip uninstall schedule

pip install schedule

安裝pymysql

pip3 install pymysql

安裝dbutils

pip3 install dbutils

pip3 install --upgrade python-dateutil

4、mysql8下載安裝

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

基于Yolov8n 模型訓練流程：

加載顯示數據
1. #加載與訓練模型
2. #安裝三方庫：ultralytics
3. #導包：from ultralytics import YOLO
5. from numpy.__config__ import show
6. from ultralytics import YOLO
7. #1.'加載模型
8. #2.檢測目標
9. #加載預訓練模型
10. #官方提供的基礎測試和訓練模型
11. #首次運行自動下載。
12. a1 = YOLO('yolov8n.pt')
13. #2.檢測目標
14. #show=True 顯示檢測結果
15. #save=True,保存檢測結果
16. a1('2.jpg',show = True,save = True)
檢測圖片或視頻
1. #檢測網絡圖片
3. from ultralytics import YOLO
5. a1 = YOLO('yolov8n.pt')
7. a1('mv.jpg',show = True,save = True)
準備數據集結構
1. #準備數據集結構文件
4. #跟目標創建1個文件夾（可自定義名稱）
5. #下面創建再2個文件夾（images和labels)
6. #images和labels 下再分別創建2個文件夾（train和val)
7. #images下的train和val 芳入訓練圖片（png,jp
8. #labels下的train和val 放入圖片標注(txt)
準備訓練圖片和標注
準備數據集配置文件
1. #準備數據集配置文件
3. #創建1個yaml格式的文件（可自定義名稱）
4. #配置數據集信息、用于訓練模型
5. data.yaml內容如下：
  1. path: C:\Users\HR0432\source\repos\robot\robot\xun #數據集根目錄

1. 1. train: images/train #訓練集圖片路徑
  2. val: images/val #驗證集圖片路徑
  3. nc: 3 #類別數量
  4. names: ['正常','發黑','爆點'] #類別名稱
開始訓練
1. #開始模型訓練
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. #加載預訓練模型
12. a1 = YOLO('yolov8n.pt')
13. #開始訓練
14. a1.train(
15. data='data.yaml', #數據集配置文件路徑
16. epochs=300, #訓練輪次官方推薦500
17. imgsz=640, #輸入圖片尺寸官方推薦640
18. batch=16, #每次訓練的批量官方推薦16/32
19. device='cpu' , #GPU=0 CPU= 'cpu'
20. workers=4 # 數據加載線程數
21. )
23. print('**********************************')
24. print('**********************************')
25. print('**********************************')
26. print('**************SUCCESS*************')
27. print('**************SUCCESS*************')
28. print('**************SUCCESS*************')
29. print('**********************************')
30. print('**********************************')
31. print('**********************************')
測試模型結果
1. #檢測模型結果
3. from ultralytics import YOLO
4. #模型訓練完畢自動保存到C:\Users\HR0432\source\repos\robot\robot\runs\detect\train2\weights
5. #best.pt是訓練好的最優模型（適用于最終應用）
6. #last.pt是訓練的最后一輪模型（適用于訓練繼續）
9. #加載自己訓練好的模型
10. a1 = YOLO(r'C:\Users\HR0432\source\repos\robot\robot\runs\detect\train16\weights\best.pt')
11. #目標檢測
12. a1('3.jpg',show = True,save = True)

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/web/96002.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/96002.shtml
英文地址，請注明出處：http://en.pswp.cn/web/96002.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！