我想将 OpenCV 与 YOLOv8 集成ultralytics，所以我想从模型预测中获取边界框坐标。我该怎么做呢？
from ultralytics import YOLO
import cv2
model = YOLO('yolov8n.pt')
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)
while True:
_, frame = cap.read()
img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
results = model.predict(img)
for r in results:
for c in r.boxes.cls:
print(model.names[int(c)])
cv2.imshow('YOLO V8 Detection', frame)
if cv2.waitKey(1) & 0xFF == ord(' '):
break
cap.release()
cv2.destroyAllWindows()
我想在 OpenCV 中显示 YOLO 带注释的图像。我知道我可以在model.predict(source='0', show=True). 但我想连续监视我的程序的预测类名称，同时显示图像输出。
Yolov8 和我怀疑 Yolov5 可以很好地处理非方形图像。我看不到任何裁剪输入图像的证据，即检测似乎到达最长边的边缘。它是否会调整为 640x604 的正方形，从而改变对象的纵横比，使它们更难以检测？
当从预训练模型开始对自定义数据集进行训练时，imgsz（图像大小）参数实际上有什么作用？
检测模型是否收敛的标准方法是什么？我打算记录 5 次损失，每次损失有 95 个置信区间，如果他们都同意，那么我\xe2\x80\x99d 停止脚本。我假设收敛之前的训练必须已经在 PyTorch 或 PyTorch Lightning 中的某个地方实现。我不需要一个完美的解决方案，只需自动执行此操作的标准方法 - 即收敛时停止。
\n我的解决方案很容易实现。一旦创建了一个标准并将减少更改为none。然后它将输出一个大小为 的张量[B]。每次记录时都会记录下来，并且它是 95 置信区间（如果您愿意，也可以是 std，但这精度要低得多）。然后，每次添加新损失及其置信区间时，请确保其大小保持为 5（或 10），并且 5 个损失彼此之间的 CI 范围在 95 以内。那么如果这是真的就停下来。
您可以使用以下方法计算 CI：
\ndef torch_compute_confidence_interval(data: Tensor,\n confidence: float = 0.95\n ) -> Tensor:\n """\n Computes the confidence interval for a given survey of a data set.\n """\n n = len(data)\n mean: Tensor = data.mean()\n # se: Tensor = scipy.stats.sem(data) # compute standard error\n # se, mean: Tensor = …python machine-learning deep-learning pytorch pytorch-lightning
在当前进程完成其引导阶段之前，已尝试启动新进程。
This probably means that you are not using fork to start your
child processes and you have forgotten to use the proper idiom
in the main module:
if __name__ == '__main__':
freeze_support()
...
The "freeze_support()" line can be omitted if the program
is not going to be frozen to produce an executable.
** 尝试在 python 环境中训练 YOLOv8 模型时会出现此错误** from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from scratch
model = YOLO("yolov8n.pt") …我只想在我的 python 脚本中获取类数据，例如：人、汽车、卡车、狗 ，但我的输出不止于此。我也不能将结果用作字符串。
Python脚本：
from ultralytics import YOLO
model = YOLO("yolov8n.pt")
results = model.predict(source="0")
输出：
0: 480x640 1 person, 1 car, 7.1ms
0: 480x640 1 person, 1 car, 7.2ms
0: 480x640 1 person, 1 car, 7.1ms
0: 480x640 1 person, 1 car, 7.1ms
0: 480x640 1 person, 1 car, 7.1ms
0: 480x640 1 person, 7.9ms
0: 480x640 1 person, 7.1ms
0: 480x640 1 person, 1 car, 7.1ms
0: 480x640 1 person, 1 car, 7.1ms
我是 YOLOv8 的新手，我只想让模型仅检测某些类，而不是模型训练的所有 80 个类。如何指定 YOLOv8 模型仅检测一类？例如仅人。
from ultralytics import YOLO
model = YOLO('YOLOv8m.pt')
我记得我们可以用 YOLOv5 做到这一点，但我不能用 YOLOv8 做到同样的事情：
model = torch.hub.load("ultralytics/yolov5", 'custom', path='yolov5s.pt')
model.classes = [0] # Only person
model.conf = 0.6
我有这个输出是由model.predict()
0: 480x640 1 Hole, 234.1ms
Speed: 3.0ms preprocess, 234.1ms inference, 4.0ms postprocess per image at shape (1, 3, 640, 640)
0: 480x640 1 Hole, 193.6ms
Speed: 3.0ms preprocess, 193.6ms inference, 3.5ms postprocess per image at shape (1, 3, 640, 640)
...
如何隐藏终端的输出？
我在这个官方链接中找不到信息 https://docs.ultralytics.com/modes/predict/#arguments
我在 Pytorch Lightning 中设置了一个迁移学习 Resnet。该结构借自此 wandb 教程 https://wandb.ai/wandb/wandb-lightning/reports/Image-Classification-using-PyTorch-Lightning--VmlldzoyODk1NzY
并查看文档https://pytorch-lightning.readthedocs.io/en/latest/common/lightning_module.html
我对 defforward () 和 def Training_step() 方法之间的区别感到困惑。
最初在 PL 文档中，模型不会在训练步骤中调用，仅在前向调用中调用。但在训练步骤中也不会调用前向。我一直在数据上运行模型，输出看起来很合理（我有一个图像回调，我可以看到模型正在学习，并最终获得了良好的准确性结果）。但我担心，鉴于没有调用前向方法，该模型在某种程度上没有被实现？
型号代码为：
class TransferLearning(pl.LightningModule):
"Works for Resnet at the moment"
def __init__(self, model, learning_rate, optimiser = 'Adam', weights = [ 1/2288 , 1/1500], av_type = 'macro' ):
super().__init__()
self.class_weights = torch.FloatTensor(weights)
self.optimiser = optimiser
self.thresh = 0.5
self.save_hyperparameters()
self.learning_rate = learning_rate
#add metrics for tracking
self.accuracy = Accuracy()
self.loss= nn.CrossEntropyLoss()
self.recall = Recall(num_classes=2, threshold=self.thresh, average = av_type)
self.prec = Precision( num_classes=2, …这是在colab中训练模型的命令
!yolo task=detect mode=train model=yolov8s.pt data=coco.yaml epochs=10 imgsz=640
我想将模型的保存位置从 /runs/exp 更改为 /content/drive/MyDrive/yolov8，我该怎么做
我尝试了 --weights 参数和其他一些参数，但没有成功
python machine-learning object-detection computer-vision yolo
从 YOLOv8 文档中，我不清楚 YOLOv8 训练器类使用哪个损失指标来确定训练运行中保存的最佳损失模型。是基于验证还是训练损失？
具体来说，当我查看 YOLOv8 训练运行的输出时，我没有看到任何元数据表明哪个纪元导致保存在 running/train/weights/best.pt 的最佳损失模型
我正在使用 Pytorch Lighting 和 Tensorboard，因为 PyTorch Forecasting 库是使用它们构建的。我想通过 matplotlib 创建自己的损失曲线，并且不想使用 Tensorboard。
是否可以通过方法访问每个时期的指标？验证损失、训练损失等？
我的代码如下：
logger = TensorBoardLogger("logs", name = "model")
trainer = pl.Trainer(#Some params)
记录员或培训师是否有任何方法来访问此信息？
PL 文档不清楚，并且有许多与记录器和训练器相关的方法。