【YOLOv8】实战一：手把手教你使用YOLOv8实现实时目标检测-编程学习网

‍‍🏡博客主页： virobotics的CSDN博客：LabVIEW深度学习、人工智能博主
🎄所属专栏：『LabVIEW深度学习实战』
🍻上期文章： LabVIEW+OpenCV快速搭建人脸识别系统(附源码))
📰如觉得博主文章写的不错或对你有所帮助的话，还望大家多多支持呀！欢迎大家✌关注、👍点赞、✌收藏、👍订阅专栏

文章目录

前言
一、YOLOv8简介
二、环境搭建
- 2.1 部署本项目时所用环境
- 2.2 LabVIEW工具包下载及安装
三、yolov8导出onnx
四、项目实践
- 4.1 YOLOv8在LabVIREW中实现图片推理
- 4.2 YOLOv8在LabVIREW中实现视频推理
五、项目源码
总结

从2015 年首次发布以来，You Only Look Once (YOLO) 系列计算机视觉模型一直是该领域最受欢迎的模型之一。其中，YOLO 架构的核心创新是将目标检测任务视为回归问题，从而使模型同时对所有目标边界框和类别概率生成预测。在过去的八年中，这种架构创新催生了一系列 YOLO 模型。之前也给大家介绍了一些YOLO 模型在LabVIEW上的部署。感兴趣的话可以查看专栏【深度学习：物体识别（目标检测）】本文主要想和各位读者分享YOLOv8在LabVIEW中的部署。

YOLOv8 是由 YOLOv5 的发布者 Ultralytics 发布的最新版本的 YOLO。它可用于对象检测、分割、分类任务以及大型数据集的学习，并且可以在包括 CPU 和 GPU 在内的各种硬件上执行。

YOLOv8是一种尖端的、最先进的 (SOTA) 模型，它建立在以前成功的 YOLO 版本的基础上，并引入了新的功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，这也使其成为对象检测、图像分割和图像分类任务的绝佳选择。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，还支持YOLO以往版本，方便不同版本切换和性能对比。

YOLOv8 有 5 个不同模型大小的预训练模型：n、s、m、l 和 x。关注下面的参数个数和COCO mAP（准确率），可以看到准确率比YOLOv5有了很大的提升。特别是 l 和 x，它们是大模型尺寸，在减少参数数量的同时提高了精度。
在这里插入图片描述
每个模型的准确率如下

YOLOv8官方开源地址：https://github.com/ultralytics/ultralytics

2.1 部署本项目时所用环境

操作系统：Windows10
python：3.6及以上
LabVIEW：2018及以上 64位版本
AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip
onnx工具包：virobotics_lib_onnx_cuda_tensorrt-1.0.0.16.vip【1.0.0.16及以上版本】或virobotics_lib_onnx_cpu-1.13.1.2.vip

2.2 LabVIEW工具包下载及安装

AI视觉工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/123656523
onnx工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/124998746

注意：本教程已经为大家提供了YOLOv8的onnx模型，可跳过本步骤，直接进行步骤四-项目实战。若是想要了解YOLOv8的onnx模型如何导出，则可继续阅读本部分内容。

下面我们来介绍onnx模型的导出(以yolov8s为例，想要导出其他模型的方式也一样，只需要修改名字即可)

3.1 安装YOLOv8

YOLOv8的安装有两种方式，pip安装和GitHub安装。

pip安装

pip install ultralytics -i https://pypi.douban.com/simple/

GitHub安装

git clone https://github.com/ultralytics/ultralyticscd ultralyticspip install -e '.[dev]'

安装完成后就可以通过yolo命令在命令行进行使用了。

3.2 下载模型权重文件

在官方网站中下载我们所需要的权重文件
在这里插入图片描述

注意：这一步其实可以不做，我们在第三步导出模型为onnx的时候如果权重文件不存在，会自动帮我们下载一个权重文件，但速度会较慢，所以个人还是建议先在官网中下载权重文件，再导出为onnx模型

3.3 导出模型为onnx

新建一个文件夹名字为“yolov8_onnx”，将刚刚下载的权重文件“yolov8s.pt”放到该文件夹下的models文件夹里
在这里插入图片描述
在models文件夹下打开cmd，在cmd中输入以下命令将模型直接导出为onnx模型：

yolo export model=yolov8s.pt format=onnx opset=12

在这里插入图片描述
YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格，每个单元格包含x,y,w,h这4项再加80个类别的置信度总共84列内容，所以通过上面命令导出的onnx模型的输出维度为1x84x8400。

如果觉得上面方式不方便，那我们也可以写一个python脚本，快速导出yolov8的onnx模型，程序如下：

from ultralytics import YOLO # Load a modelmodel = YOLO("\models\yolov8s.pt")  # load an official model # Export the modelmodel.export(format="onnx")

实现效果：LabVIEW中部署yolov8实现图片推理和视频推理

整个项目工程如下，本次项目以yolov8s为例

在这里插入图片描述

model:yolov8模型文件
subvi：子vi
export.py:将yolov8的ptd导出为onnx
yolov8_camera:yolov8摄像头视频实时推理
yolov8_img:yolov8图片推理

准备工作

放置一张待检测图片和coco.name到yolov8_onnx文件夹下，本项目中放置了一张dog.jpg图片；
确保models文件中已经放置了yolov8的onnx模型：yolov8s.onnx；

4.1 YOLOv8在LabVIREW中实现图片推理

获取待检测图片、模型文件及类别标签文件路径；
在这里插入图片描述

模型初始化：加载onnx模型并读取该模型输入和输出的shape；
在这里插入图片描述

当然我们也可以在netron中直接查看模型的输入输出并手动创建模型输入输出shape数组
在netron中我们可以看到模型的输入输出如下:
在这里插入图片描述
所以这部分程序也可以改为如下图所示：

图像预处理：创建所需Mat并读取图片，对图片进行预处理
在这里插入图片描述

cvtColor：颜色空间转换把采集的BGR图像转为RGB
letterbox：深度学习模型输入图片的尺寸为正方形，而数据集中的图片一般为长方形，粗暴的resize会使得图片失真，采用letterbox可以较好的解决这个问题。该方法可以保持图片的长宽比例，剩下的部分采用灰色填充。

blobFromImage的作用：

size：640x640（图像resize为640x640）
Scale=1/255,
Means=[0,0,0]（图像归一化至0~1之间）

最后，要将图片数据HWC转换（transpose）为神经网络容易识别的NCHW格式

H：图片的高度：640
W：图片的宽度：640
C：图片的通道数：3
N：图片的数量，通常为1

模型推理：推荐使用数据指针作为输入给到Run_one_input.vi，数据的大小为1x3x640x640；

在这里插入图片描述

获取推理结果：循环外初始化一个84x8400的二维数组，此数组作为Get_Result的输入，另一个输入为index=0，输出为84x8400的二维数组结果，推理之后，将推理结果由84x8400 transpose为8400x84，以便于输入到后处理；

在这里插入图片描述

后处理

在这里插入图片描述

范例中yolov5_post_process 的输入8400x84,84的排列顺序:

第0列代表物体中心x在图中的位置
第1列表示物体中心y在图中的位置
第2列表示物体的宽度
第3列表示物体的高度
第4~83列为基于COCO数据集的80分类的标记权重，最大的为输出分类。

8400的含义是：YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格