剑灵网站模板,网站栏目设计优化方案,怎么做网站推广的论文,百度关键词排名查询接口随着智慧农业的快速发展#xff0c;利用先进的技术手段对牲畜的行为进行自动化监测和管理#xff0c;已经成为现代农业中的重要研究方向之一。在传统的农业管理模式中#xff0c;牲畜的行为监测通常依赖于人工观测#xff0c;耗时耗力且难以实现大规模实时监控。然而#…随着智慧农业的快速发展利用先进的技术手段对牲畜的行为进行自动化监测和管理已经成为现代农业中的重要研究方向之一。在传统的农业管理模式中牲畜的行为监测通常依赖于人工观测耗时耗力且难以实现大规模实时监控。然而随着物联网、人工智能和深度学习等技术的成熟利用智能化手段对牲畜进行行为检测和管理成为可能。本文重点研究并实现了一种基于YOLOV8深度学习模型的山羊行为检测系统该系统为智慧农业中的山羊养殖提供了一种高效、智能的解决方案。
该系统利用目标检测技术能够自动识别山羊在图像或视频流中的行为状态主要包括站立和躺下两种典型行为。通过大量的训练数据系统学习并提取山羊行为的特征从而在实际应用中能够准确识别山羊的行为状态。系统的核心模型是YOLOV8这是一种最新的深度学习目标检测算法具有高效的特征提取能力和实时检测性能。与传统的目标检测算法相比YOLOV8不仅在检测精度上有显著提升同时在检测速度上也有明显优势能够在低延迟的条件下实现对目标的实时跟踪与识别。
在系统的开发过程中本文构建了一个包含大量山羊行为图像的数据集用于模型的训练和测试。通过数据增强和标签标注等技术进一步提升了模型的鲁棒性和泛化能力。实验结果表明本文提出的山羊行为检测系统在目标检测精度、召回率和处理速度等方面均表现出色。在实验环境中系统在检测山羊站立和躺下行为的过程中平均精度mAP达到了较高水平且系统能够在每秒处理多帧图像满足了实时监测的需求。
除了高精度的检测能力该系统还具有良好的扩展性和实用性。它不仅可以应用于山羊的行为监测还能够通过进一步训练扩展到其他牲畜种类或更多的行为类别具有广泛的应用前景。通过实时监测山羊的行为状态系统可以帮助养殖者及时发现异常行为如长时间躺卧或不正常的活动从而提高对牲畜健康和生活环境的管理效率。此外系统生成的行为数据可以与农业物联网系统集成为智能农业平台提供有价值的数据支持。
本文研究并实现的基于YOLOV8的山羊行为检测系统为智慧农业领域提供了一种新的自动化监测工具。通过高效的目标检测算法和深度学习技术系统能够实时、准确地检测山羊的行为状态提升了养殖管理的自动化水平并具有广泛的应用价值。未来随着更多先进技术的引入和数据集的进一步扩展该系统有望在更多农业场景中得到推广应用为现代农业的发展提供更强大的技术支撑。
算法流程 项目数据
通过搜集关于数据集为各种各样的骨折相关图像并使用Labelimg标注工具对每张图片进行标注分2个检测类别分别是standing表示”站立”lying表示”躺卧”。
目标检测标注工具 1labelimg:开源的图像标注工具标签可用于分类和目标检测它是用python写的并使用Qt作为其图形界面简单好用虽然是英文版的。其注释以 PASCAL VOC格式保存为XML文件这是ImageNet使用的格式。此外它还支持 COCO数据集格式。 2安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple 结束后在cmd中输入labelimg 初识labelimg 打开后我们自己设置一下
在View中勾选Auto Save mode 接下来我们打开需要标注的图片文件夹 并设置标注文件保存的目录上图中的Change Save Dir 接下来就开始标注画框标记目标的label然后d切换到下一张继续标注不断重复重复。 Labelimg的快捷键 3数据准备 这里建议新建一个名为data的文件夹这个是约定俗成不这么做也行里面创建一个名为images的文件夹存放我们需要打标签的图片文件再创建一个名为labels存放标注的标签文件最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。
data的目录结构如下 │─img_data │─images 存放需要打标签的图片文件 │─labels 存放标注的标签文件 └ classes.txt 定义自己要标注的所有类别这个文件可有可无但是在我们定义类别比较多的时候最好有这个创建一个这样的txt文件来存放类别
首先在images这个文件夹放置待标注的图片。 生成文件如下: “classes.txt”定义了你的 YOLO 标签所引用的类名列表。 4YOLO模式创建标签的样式
存放标签信息的文件的文件名为与图片名相同内容由N行5列数据组成。 每一行代表标注的一个目标通常包括五个数据从左到右依次为类别id、x_center、y_center、width、height。 其中 –x类别id代表标注目标的类别 –x_center和y_center代表标注框的相对中心坐标 –xwidth和height代表标注框的相对宽和高。
注意这里的中心点坐标、宽和高都是相对数据 存放标签类别的文件的文件名为classes.txt (固定不变)用于存放创建的标签类别。
完成后可进行后续的yolo训练方面的操作。
模型训练
模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一个SOTA模型它建立在Yolo系列历史版本的基础上并引入了新的功能和改进点以进一步提升性能和灵活性使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点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可在CPU到GPU的多种硬件平台上运行。 YOLOv8是Yolo系列模型的最新王者各种指标全面超越现有对象检测与实例分割模型借鉴了Yolov5、Yolov6、YoloX等模型的设计优点在全面提升改进Yolov5模型结构的基础上实现同时保持了Yolov5工程化简洁易用的优势。
Yolov8模型网络结构图如下图所示 2.数据集准备与训练
本研究使用了包含各种山羊行为相关图像的数据集并通过Labelimg标注工具对每张图像中的目标边框Bounding Box及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致包括数据集准备、模型训练、模型评估。本次标注的目标类别为站立和躺卧数据集中共计包含416张图像其中训练集占332张验证集占84张。部分图像如下图所示 部分标注如下图所示 图片数据的存放格式如下在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入datasets目录下。 接着需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。 data.yaml的具体内容如下 train: E:/GoatPoseDetection_v8/datasets/images/train 训练集的路径 val: E:/GoatPoseDetection_v8/datasets/images/val 验证集的路径 #test: E:/GoatPoseDetection_v8/datasets/images/test 测试集的路径
nc: 2 模型检测的类别数共有2个类别。 names: [‘standing’,’lying’]
这个文件定义了用于模型训练和验证的数据集路径以及模型将要检测的目标类别。
数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小(根据内存大小调整最小为1)。
CPU/GPU训练代码如下 加载名为 yolov8n.pt 的预训练YOLOv8模型yolov8n.pt是预先训练好的模型文件。 使用YOLO模型进行训练主要参数说明如下 1datadata_yaml_path: 指定了用于训练的数据集配置文件。 2epochs150: 设定训练的轮数为150轮。 3batch4: 指定了每个批次的样本数量为4。 4optimizer’SGD’):SGD 优化器。 7name’train_v8′: 指定了此次训练的命名标签用于区分不同的训练实验。
3.训练结果评估
在深度学习的过程中我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练主要涉及三类损失定位损失box_loss、分类损失cls_loss以及动态特征损失dfl_loss。训练完成后相关的训练过程和结果文件会保存在 runs/ 目录下具体如下 各损失函数作用说明 定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准 分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准 动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss可以更准确地调整预测框的位置提高目标检测的准确性。
训练结果如下 这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势具体如下
train/box_loss 1这是模型在训练过程中计算的边界框损失Bounding Box Loss。 2随着训练的进行边界框损失逐渐减小表明模型越来越精确地定位目标。
train/cls_loss 1这是分类损失Classification Loss表示模型在预测类别时的误差。 2分类损失也随着训练下降表明模型在目标类别分类上逐步提高了准确性。
train/dfl_loss 1这是分布焦点损失Distribution Focal Loss用来优化边界框的定位。 2DFL损失也在逐渐减小这个损失与边界框预测的回归精度有关。
metrics/precision(B) 1训练过程中精确率Precision的变化。 2精度precision反映模型预测的正例中有多少是实际的正例趋势上精度有所提升。
metrics/recall(B) 1召回率Recall的变化。 2召回率recall逐渐增加表明模型检测到的目标逐渐增多。
val/box_loss 1验证集上的边界框损失。 2验证集的边界框损失在下降表明模型不仅在训练集上收敛在验证集上也有较好的泛化能力。
val/cls_loss 1验证集上的分类损失。 2分类损失下降验证集上的分类性能也在提高。
val/dfl_loss 1验证集上的分布焦点损失。 2同样DFL损失下降说明模型在边界框预测方面表现得更好。
metrics/mAP50(B) 1mAP50表示在IoU阈值为0.5时的平均精度Mean Average Precision。 2验证集的mAP0.5在上升表示模型的目标检测性能持续提升。
metrics/mAP50-95(B) 1mAP50-95表示在IoU阈值从0.5到0.95的平均精度。 2验证集的mAP0.5-0.95也在上升表明模型在多种IoU阈值下都有较好的检测效果。
这些图表反映了您的YOLOv8模型在训练和验证集上的逐步改进。损失函数的减少和mAP的提高表明模型正在有效地学习检测性能不断优化。 这张图展示的是 Precision-Recall 曲线用于评估模型在不同类别下的检测性能。以下是详细解释
Precision-Recall 曲线的含义 1Precision精度表示模型预测为正类的样本中有多少是真正的正类样本。 2Recall召回率表示所有正类样本中有多少被模型正确检测出来。 3Precision-Recall 曲线随着模型预测阈值的变化精度和召回率的关系也随之变化。理想情况下精度和召回率都应该接近1。
不同类别的曲线 1蓝色实线表示所有类别的综合性能mAP0.5为0.812表明在IoU阈值为0.5时模型的平均精度为81.2%。 2浅蓝色线条代表standing站立的检测结果mAP为0.864。曲线更接近图的右上角说明对于站立类别模型的检测效果更好。 3橙色线条代表lying躺下的检测结果mAP为0.761曲线稍微偏离右上角说明模型在躺下目标的检测上稍弱一些。
总体评价 1站立standing精度和召回率都比较高表现优于躺下类别。 2躺下lying虽然精度和召回率略低于站立类别但整体表现仍然较好。 3综合表现mAP0.5为0.812说明模型总体上在两类目标上都有不错的检测性能。
这张PR曲线显示了模型在不同目标类别上的检测性能。曲线越接近右上角表示模型在该类别上的性能越好。从图中可以看出模型对站立目标的检测效果要优于躺下目标不过总体检测性能相当不错。
4.检测结果识别
模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。 imgTest.py 图片检测代码如下 加载所需库 1from ultralytics import YOLO导入YOLO模型类用于进行目标检测。 2import cv2导入OpenCV库用于图像处理和显示。
加载模型路径和图片路径 1path ‘models/best.pt’指定预训练模型的路径这个模型将用于目标检测任务。 2img_path “TestFiles/imagetest.jpg”指定需要进行检测的图片文件的路径。
加载预训练模型 1model YOLO(path, task’detect’)使用指定路径加载YOLO模型并指定检测任务为目标检测 (detect)。 2通过 conf 参数设置目标检测的置信度阈值通过 iou 参数设置非极大值抑制NMS的交并比IoU阈值。
检测图片 1results model(img_path)对指定的图片执行目标检测results 包含检测结果。
显示检测结果 1res results[0].plot()将检测到的结果绘制在图片上。 2cv2.imshow(“YOLOv8 Detection”, res)使用OpenCV显示检测后的图片窗口标题为“YOLOv8 Detection”。 3cv2.waitKey(0)等待用户按键关闭显示窗口
此代码的功能是加载一个预训练的YOLOv8模型对指定的图片进行目标检测并将检测结果显示出来。
执行imgTest.py代码后会将执行的结果直接标注在图片上结果如下 这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果具体内容如下
图像信息 1处理的图像路径为TestFiles/imagetest.jpg。 2图像尺寸为 448×640 像素。
检测结果 1模型检测到图片中有1个站立的山羊 (standing)。 2每张图片的推理时间4.0毫秒。
处理速度 14.0ms preprocess预处理时间。 241.2ms inference推理时间。 357.1ms postprocess后处理时间。
显示了YOLOv8模型成功地检测到了一张测试图像中的一个站立的山羊检测速度较快且结果已保存到指定的文件夹中。
运行效果
– 运行 MainProgram.py 1.主要功能 1可用于实时检测目标图片中的骨折; 2支持图片、视频及摄像头进行检测同时支持图片的批量检测 3界面可实时显示目标位置、目标总数、置信度、用时等信息; 4支持图片或者视频的检测结果保存。
2.检测结果说明 这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释
用时Time taken: 1这表示模型完成检测所用的时间为0.014秒。 2这显示了模型的实时性检测速度非常快。
目标数目Number of objects detected: 1检测到的目标数目为2表示这是当前检测到的第1目标。
目标选择(下拉菜单)全部: 1这里有一个下拉菜单用户可以选择要查看的目标类型。 2在当前情况下选择的是“全部”意味着显示所有检测到的目标信息。
类型Type: 1当前选中的类型为 “站立”表示系统正在高亮显示检测到的“standing”。
置信度Confidence: 1这表示模型对检测到的目标属于“站立”类别的置信度为96.85%。 2置信度反映了模型的信心置信度越高模型对这个检测结果越有信心。
目标位置Object location: 1xmin: 158, ymin: 29目标的左上角的坐标(xmin, ymin)表示目标区域在图像中的位置。 2xmax: 244, ymax: 295目标的右下角的坐标(xmax, ymax)表示目标区域的边界。
这张图表明了一个系统对图像中的目标进行了检测检测到了两个目标并且对其中一个目标“站立”的识别置信度较高。
3.图片检测说明
(1)躺卧 (2)站立 点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹。 操作演示如下 1点击目标下拉框后可以选定指定目标的结果信息进行显示。 2点击保存按钮会对检测结果进行保存存储路径为save_data目录下。
检测结果系统识别出图片中的站立并显示检测结果包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。
4.视频检测说明 点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。 点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。
检测结果系统对视频进行实时分析检测到站立并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。
这个界面展示了系统对视频帧中的多目标检测能力能够准确识别站立并提供详细的检测结果和置信度评分。
5.摄像头检测说明 点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。
检测结果系统连接摄像头进行实时分析检测到站立并显示检测结果。实时显示摄像头画面并将检测到的行为位置标注在图像上表格下方记录了每一帧中检测结果的详细信息。
6.保存图片与视频检测说明 点击保存按钮后会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。 检测的图片与视频结果会存储在save_data目录下。 保存的检测结果文件如下 图片文件保存的csv文件内容如下包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。 注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。 1图片保存 2视频保存 – 运行 train.py 1.训练参数设置 1datadata_yaml_path: 使用data.yaml中定义的数据集。 2epochs150: 训练的轮数设置为150轮。 3batch4: 每个批次的图像数量为4批次大小。 4name’train_v8′: 训练结果将保存到以train_v8为名字的目录中。 5optimizer’SGD’: 使用随机梯度下降法(SGD)作为优化器。
虽然在大多数深度学习任务中GPU通常会提供更快的训练速度。 但在某些情况下可能由于硬件限制或其他原因用户需要在CPU上进行训练。
温馨提示在CPU上训练深度学习模型通常会比在GPU上慢得多尤其是像YOLOv8这样的计算密集型模型。除非特定需要通常建议在GPU上进行训练以节省时间。
2.训练日志结果 这张图展示了使用YOLOv8进行模型训练的详细过程和结果。
训练总时长 1模型在训练了150轮后总共耗时0.310小时。
R (召回率, Recall) 1all: 0.738表示所有目标的召回率为73.8%意味着实际存在的目标中73.8%的目标被成功检测到。 2standing: 0.798站立目标的召回率为79.8%。 3lying: 0.678躺下目标的召回率为67.8%。
mAP50 (平均精度 IoU50%) 1all: 0.812表示在IoU0.5的阈值下所有目标的平均精度为81.2%。 2standing: 0.864站立目标的平均精度为86.4%。 3lying: 0.761躺下目标的平均精度为76.1%。
mAP50-95 (平均精度 IoU50%-95%) 1all: 0.652表示在IoU0.5到0.95多个阈值下所有目标的平均精度为65.2%。 2standing: 0.717站立目标的mAP50-95为71.7%。 3lying: 0.587躺下目标的mAP50-95为58.7%。
推理速度 1模型推理速度为17.62帧每秒处理速度非常快适用于实时检测。
结果保存 1Results saved to runs\detect\train_v8验证结果保存在 runs\detect\train_v8 目录下。
完成信息 1Process finished with exit code 0表示整个验证过程顺利完成没有报错。
该模型在站立目标的检测精度和召回率较高而躺下目标的召回率略低一些但整体性能表现良好尤其是精度和速度方面。这些结果表明模型能够很好地检测目标适合应用于实际场景中的目标检测任务。
