学校网站建设及管理制度,百度app浏览器下载,成都园林设计公司,深圳互联网数据集地址
数据集包含 360 张红血细胞图像及其注释文件#xff0c;分为训练集与验证集。训练文件夹包含 300 张带有注释的图像。测试和验证文件夹都包含 60 张带有注释的图像。我们对原始数据集进行了一些修改以准备此 CBC 数据集#xff0c;并将数据集分成三部分。在360张…数据集地址
数据集包含 360 张红血细胞图像及其注释文件分为训练集与验证集。训练文件夹包含 300 张带有注释的图像。测试和验证文件夹都包含 60 张带有注释的图像。我们对原始数据集进行了一些修改以准备此 CBC 数据集并将数据集分成三部分。在360张涂片图像中首先使用300张带注释的血细胞图像作为训练集然后将其余60张带有注释的图像用作测试集。CBC数据集地址如下
https://github.com/MahmudulAlam/Complete-Blood-Cell-Count-Dataset模型训练
准备好数据集以后直接按下面的命令行运行即可
yolo train modelyolo11n.pt datacbc_dataset.yaml epochs25 imgsz640 batch4模型导出与测试
yolo export modelcbc_11.pt formatonnx
yolo predict modelcbc_11.pt source./cbc部署推理
转成ONNX格式文件以后基于OpenVINO-Python部署推理相关代码如下
frame cv.imread(os.path.join(D:/cbc_analysis/data/, f))
bgr format_yolov8(frame)
img_h, img_w, img_c bgr.shape
start time.time()
image cv.dnn.blobFromImage(bgr, 1 / 255.0, (640, 640), swapRBTrue, cropFalse)
res compiled_model([image])[output_layer] # 1x84x8400
rows np.squeeze(res, 0).T
class_ids []
confidences []
boxes []
x_factor img_w / 640
y_factor img_h / 640
for r in range(rows.shape[0]):
row rows[r]
classes_scores row[4:]
_, _, _, max_indx cv.minMaxLoc(classes_scores)
class_id max_indx[1]
if (classes_scores[class_id] .25):
confidences.append(classes_scores[class_id])
class_ids.append(class_id)
x, y, w, h row[0].item(), row[1].item(), row[2].item(), row[3].item()
left int((x - 0.5 * w) * x_factor)
top int((y - 0.5 * h) * y_factor)
width int(w * x_factor)
height int(h * y_factor)
box np.array([left, top, width, height])
boxes.append(box)
indexes cv.dnn.NMSBoxes(boxes, confidences, 0.25, 0.45)
for index in indexes:
box boxes[index]
color colors[int(class_ids[index]) % len(colors)]
rr int((box[2] box[3])/4)
cv.circle(frame, (box[0]int(box[2]/2), box[1]int(box[3]/2)), rr-4, color, 2)
cv.putText(frame, class_list[class_ids[index]], (box[0] int(box[2] / 2), box[1] int(box[3] / 2)),cv.FONT_HERSHEY_SIMPLEX, .5, (0, 0, 0))
cv.putText(frame, gloomyfish2024, (20, 45), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
cv.imshow(YOLO11OpenVINO2024 RBC(Red Blood Cell) Count, frame)
cv.imwrite(D:/rbc_result.jpg, frame)
cv.waitKey(0)总结
其实YOLO11 只是 YOLOv8的套娃版本只要掌握YOLOv8真的只需要五分钟就可以全面掌握YOLO11各种模型从训练到部署。玩转YOLOv8的分类、对象检测、实例分割、姿态评估、OBB检测、目标跟踪 六大模块
