Yolov5是一个独立的项目Yolov8/v11/v26是一个统一的Python库v8/v11/v26的库是同一个与v5的使用方法一致不同的版本只需要替换掉pt模型即可一、环境搭建建议使用Python 3.11 版本数据集的制作可以看之前的文章后期还会出一期seg多边形的数据集制作教程创建环境conda create -n yoloUltralytics python3.11 激活环境conda activate yoloUltralytics 安装yolo环境pip install -U ultralytics 验证环境yolo predict model模型版本.pt source图片地址或0自己的本机摄像头二、创建项目目录1、创建一个空项目目录 2、使用创建的conda空间三、数据集yaml# 数据集的根目录 path: /Users/wangqingpan/Desktop/hmbaby/hf # 训练集图片路径 train: train/images # 验证集图片路径 val: val/images # 测试集图片路径 test: test/images # 目标种类 names: 0: shou 1: jiao四、模型训练与验证# -*- coding: utf-8 -*- # 训练脚本 import warnings warnings.filterwarnings(ignore) from ultralytics import YOLO # 加载模型 model YOLO(../pt/yolo26s.pt) model.train( datayaml/water.yaml, # 数据集配置文件 imgsz640, # 训练图像尺寸 epochs100, # 训练轮数 batch100, # 批处理大小 workers4, # 工作线程数默认为8 device, # 可运行的设备类型(cpu, 0, [0,1,2,3])留空自动选择、 close_mosaic10 # 最后10轮关闭马赛克增强有利于模型收敛 ) # 评估模型在验证集上的表现 metrics model.val()五、使用训练好的模型识别# -*- coding: utf-8 -*- # 使用训练好的模型识别 import warnings warnings.filterwarnings(ignore) from ultralytics import YOLO model YOLO(runs/detect/train-3/weights/best.pt) model.predict( source0, # 数据图像来源 saveTrue, # 保存推理结果 showTrue # 显示窗口 )六、输出ONNX# -*- coding: utf-8 -*- # 将训练好的模型转换为onnx格式 import warnings warnings.filterwarnings(ignore) from ultralytics import YOLO # 加载模型 model YOLO(runs/detect/train-2/weights/best.pt) # 模型导出为onnx path model.export(formatonnx,simplifyTrue)