0基础教你玩爆目标检测计算机视觉任务

完整文件代码：https://pan.quark.cn/s/f909ab9bcf9e

相关科普

计算机视觉

计算机视觉（Computer Vision, CV）是人工智能（AI）的一个重要分支，它致力于让计算机 “看懂” 视觉信息 —— 即像人类一样理解图像、视频等视觉数据中的内容和含义。计算机视觉四大基本任务（分类、定位、检测、分割）

目标检测

YOLO(YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而广受欢迎。

• 2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。
• 2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。
• YOLOv4于 2020 年发布，引入了 Mosaic数据增强、新的无锚检测头和新的损失函数等创新技术。
• YOLOv5进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。
• YOLOv6于 2022 年由美团开源，并用于该公司的许多自主配送机器人。
• YOLOv7增加了额外的任务，如 COCO 关键点数据集的姿势估计。
• YOLOv8Ultralytics 于 2023 年发布的 YOLOv8 引入了新的功能和改进，提高了性能、灵活性和效率，支持全方位的视觉人工智能任务。
• YOLOv9引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 等创新方法。
• 清华大学研究人员利用 UltralyticsPython 软件包创建的 YOLOv10，通过引入端到端头，消除了非最大抑制 (NMS) 要求，实现了实时目标检测的进步。
• YOLO11 🚀新功能：Ultralytics 最新的YOLO 模型可在多项任务中提供最先进的 (SOTA) 性能，包括物体检测、分割、姿态估计、跟踪和分类，充分利用了各种人工智能应用和领域的能力。

YOLO系列发展时间线（2015-2025）

Supervision

计算机视觉（Computer Vision, CV）是人工智能（AI）的一个重要分支，它致力于让计算机 “看懂” 视觉信息 —— 即像人类一样理解图像、视频等视觉数据中的内容和含义。简单来说，计算机视觉的核心目标是赋予机器 “视觉感知能力”，使其能够通过摄像头、传感器等设备获取视觉输入，并进行分析、识别、推理和决策。

AutoDL

AutoDL（Automated Deep Learning）是一个集自动化深度学习模型训练与GPU算力租赁服务于一体的平台，主要面向AI开发者、研究人员及企业用户，旨在降低深度学习的技术门槛并提升计算效率。

实战讲解

1. 访问AutoDL平台

首先，打开AutoDL的官方网站：https://www.autodl.com/home进行登录。

进入后，你可以在首页看到“算力市场”的入口。点击进入，可以选择不同规格的GPU进行租用。

选择GPU类型

在算力市场页面，你会看到多个GPU选择项。不同的GPU对应着不同的计算能力和价格，选择时需要平衡预算和计算需求。

配置并启动环境

选择好GPU之后，我们接下来需要配置你的运行环境。在此步骤中，你可以选择适合的深度学习框架（如TensorFlow、PyTorch等），并为训练配置合适的软件环境。

点击“环境选择”进行配置，如下图所示。

这里我们环境选择的是python3.10版本的。PyTorch / 2.1.0 / 3.10(ubuntu22.04) / 12.1

环境配置完成后，点击“创建并开机”按钮。此时，平台会根据你的选择启动相应的计算资源，准备开始运行。

创建好之后，点击关机，再点击”更多“中的无卡模式开机，这样可以省钱（一小时仅1毛钱），因为我们不涉及模型训练，所以可以不使用GPU。无卡模式开机后点击jupyterLab

运行目标检测代码

点击进入autodl-tmp

点击上传按钮，上传我们提前准备好的两个文件

然后双击打开文件打开

下面以这张图为例，实验使用 YOLO V8 作为算法处理层，提供 CV 检测任务，使用 Supervision 进行上层的展现（边框展现、角点边框展现、三角形投标展现、语义分割）。

图是在网上随便下载的，你也可以替换成自己的图

后面的每一个代码框也是这样

具体代码及效果详情

完整文件代码：https://pan.quark.cn/s/f909ab9bcf9e