YOLO模型如何训练救生衣检测数据集深度学习如何训练救生衣检测数据集

救生衣检测模型YOLO8-300n
提供训练好的模型文件（pt格式）、过程文件和验证图片，带对应的训练数据集10000张
1
·

1

1

1

一、救生衣检测模型（YOLOv8-300n）完整方案

---

1. 模型与数据集信息

项目	详情
模型版本	YOLOv8n（300轮训练）
任务类型	救生衣目标检测（穿戴/未穿戴二分类）
数据集规模	10000张图片（含正例/负例、多场景、多角度）
训练轮次	300 epochs
核心指标	从训练曲线看： - 训练/验证loss持续下降并收敛 - Precision/Recall/mAP50均稳定在95%以上 - mAP50-95稳定在80%以上
输出文件	best.pt（最优权重）、last.pt（最后一轮权重）、训练日志、验证图片、loss曲线

---

2. 数据集配置文件lifejacket.yaml

# 救生衣检测数据集配置path:./lifejacket_dataset# 数据集根目录train:images/trainval:images/valtest:images/testnc:2# 类别数：穿戴/未穿戴救生衣names:0:lifejacket_worn# 穿戴救生衣1:lifejacket_not_worn# 未穿戴救生衣

---

3. 完整训练代码train_lifejacket.py

fromultralyticsimportYOLOdeftrain_lifejacket():# 加载YOLOv8n基础模型model=YOLO("yolov8n.pt")# 300轮训练（参数适配救生衣检测场景）results=model.train(data="lifejacket.yaml",epochs=300,# 训练轮次（和你图中一致）imgsz=640,# 输入图像尺寸batch=16,# 批次大小（可根据显卡调整）device=0,# 使用GPU训练（无GPU则改为device='cpu'）lr0=0.01,# 初始学习率lrf=0.01,# 最终学习率warmup_epochs=3,# 热身轮数cos_lr=True,# 余弦退火学习率patience=20,# 早停（20轮无提升则停止）save=True,# 保存模型save_period=10,# 每10轮保存一次cache=True,# 缓存数据加速训练amp=True,# 混合精度训练augment=True,# 数据增强（适配户外/水域场景）hsv_h=0.015,# 色调增强hsv_s=0.7,# 饱和度增强hsv_v=0.4,# 亮度增强degrees=15,# 随机旋转（适配多角度拍摄）perspective=0.001,# 透视变换flipud=0.2,# 上下翻转fliplr=0.5,# 左右翻转mosaic=1.0,# Mosaic增强mixup=0.1,# Mixup增强name="lifejacket_yolov8n_300e"# 训练项目名称)# 训练完成后验证模型model.val()if__name__=="__main__":train_lifejacket()

---

4. 推理/验证代码predict_lifejacket.py

fromultralyticsimportYOLOimportcv2# 加载训练好的最优模型model=YOLO("runs/detect/lifejacket_yolov8n_300e/weights/best.pt")defdetect_image(image_path,save_path="result.jpg"):# 单张图片检测results=model(image_path,conf=0.25)annotated_img=results[0].plot()cv2.imwrite(save_path,annotated_img)cv2.imshow("Lifejacket Detection",annotated_img)cv2.waitKey(0)defdetect_video(video_path,save_path="result.mp4"):# 视频检测cap=cv2.VideoCapture(video_path)fps=cap.get(cv2.CAP_PROP_FPS)width=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))height=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))out=cv2.VideoWriter(save_path,cv2.VideoWriter_fourcc(*'mp4v'),fps,(width,height))whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame,conf=0.25)annotated_frame=results[0].plot()out.write(annotated_frame)cv2.imshow("Lifejacket Detection",annotated_frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()out.release()cv2.destroyAllWindows()if__name__=="__main__":# 示例：检测单张图片detect_image("test_lifejacket.jpg")

---

5. 项目文件结构（完整可交付）

lifejacket_yolov8_project/ ├── lifejacket.yaml # 数据集配置文件 ├── train_lifejacket.py # 训练代码 ├── predict_lifejacket.py # 推理代码 ├── yolov8n.pt # 基础预训练权重 ├── lifejacket_dataset/ # 10000张数据集（YOLO格式） │ ├── images/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── runs/ └── detect/ └── lifejacket_yolov8n_300e/ ├── weights/ │ ├── best.pt # 最优模型权重 │ └── last.pt # 最后一轮模型权重 ├── results.png # 训练loss/指标曲线（和你提供的图一致） ├── confusion_matrix.png # 混淆矩阵 ├── PR_curve.png # PR曲线 └── val_batch*.jpg # 验证集检测结果图片

---

6. 运行说明

1. 安装依赖

   pipinstallultralytics opencv-python

2. 数据集准备
   • 将10000张图片和标注文件按images/+labels/结构放入lifejacket_dataset
   • 确保lifejacket.yaml中的路径与实际一致
3. 开始训练

   python train_lifejacket.py

4. 使用训练好的模型

   python predict_lifejacket.py

---