将检测任务迁移python

YOLOV8-SETUP.md

@@ -0,0 +1,314 @@
+# YOLOv8模型配置指南
+
+本系统使用**YOLOv8**（Ultralytics）进行目标检测推理。
+
+## 快速开始
+
+### 1. 准备模型文件
+
+将YOLOv8训练好的模型放到指定位置：
+
+```bash
+# 模型文件路径
+python-inference-service/models/best.pt
+```
+
+### 2. 准备类别文件（可选）
+
+创建 `classes.txt` 文件，每行一个类别名称：
+
+```bash
+# 文件路径
+python-inference-service/models/classes.txt
+
+# 内容示例
+person
+car
+truck
+bicycle
+```
+
+### 3. 启动服务
+
+```bash
+# 使用部署脚本
+deploy.bat  # Windows
+./deploy.sh # Linux/Mac
+
+# 或手动启动
+docker-compose up -d
+```
+
+## 训练YOLOv8模型
+
+如果还没有训练好的模型，可以按以下步骤训练：
+
+### 1. 安装Ultralytics
+
+```bash
+pip install ultralytics
+```
+
+### 2. 准备数据集
+
+创建数据集配置文件 `data.yaml`：
+
+```yaml
+# 数据集路径
+path: /path/to/dataset
+train: images/train
+val: images/val
+
+# 类别
+nc: 4  # 类别数量
+names: ['person', 'car', 'truck', 'bicycle']  # 类别名称
+```
+
+### 3. 训练模型
+
+```python
+from ultralytics import YOLO
+
+# 加载预训练模型
+model = YOLO('yolov8n.pt')  # n, s, m, l, x 可选
+
+# 训练模型
+results = model.train(
+    data='data.yaml',
+    epochs=100,
+    imgsz=640,
+    batch=16,
+    device=0  # GPU设备ID，CPU使用'cpu'
+)
+
+# 训练完成后，最佳模型保存在 runs/detect/train/weights/best.pt
+```
+
+### 4. 导出模型
+
+训练完成后，将最佳模型复制到项目中：
+
+```bash
+# 复制模型文件
+cp runs/detect/train/weights/best.pt python-inference-service/models/best.pt
+
+# 创建类别文件
+echo "person
+car
+truck
+bicycle" > python-inference-service/models/classes.txt
+```
+
+## 模型配置
+
+### 修改模型参数
+
+编辑 `python-inference-service/models/yolov8_model.py`：
+
+```python
+# 置信度阈值
+self.conf_threshold = 0.25  # 默认0.25，降低可检测更多目标
+
+# 输入图像尺寸
+self.img_size = 640  # 默认640，可改为320、1280等
+```
+
+### 配置文件
+
+`python-inference-service/models/models.json`：
+
+```json
+[
+  {
+    "name": "yolov8_detector",
+    "path": "models/yolov8_model.py",
+    "size": [640, 640],
+    "comment": "YOLOv8检测模型"
+  }
+]
+```
+
+参数说明：
+- `name`: 模型名称（API调用时使用）
+- `path`: 模型包装类路径
+- `size`: 输入图像尺寸 [宽度, 高度]
+
+## 多模型配置
+
+如果有多个模型，可以配置多个：
+
+```json
+[
+  {
+    "name": "person_detector",
+    "path": "models/person_model.py",
+    "size": [640, 640]
+  },
+  {
+    "name": "vehicle_detector",
+    "path": "models/vehicle_model.py",
+    "size": [640, 640]
+  }
+]
+```
+
+然后为每个模型创建对应的模型文件，参考 `yolov8_model.py`。
+
+## 测试模型
+
+### 本地测试
+
+```python
+from ultralytics import YOLO
+
+# 加载模型
+model = YOLO('python-inference-service/models/best.pt')
+
+# 测试图像
+results = model('test.jpg')
+
+# 显示结果
+results[0].show()
+
+# 打印检测结果
+for r in results:
+    print(r.boxes)
+```
+
+### API测试
+
+启动服务后，使用curl测试：
+
+```bash
+# 1. 检查服务健康
+curl http://localhost:10080/python-api/health
+
+# 2. 查看可用模型
+curl http://localhost:10080/python-api/api/models
+
+# 3. 测试检测（文件上传）
+curl -X POST "http://localhost:10080/python-api/api/detect/file" \
+  -F "model_name=yolov8_detector" \
+  -F "file=@test.jpg"
+```
+
+## 性能优化
+
+### 1. 使用GPU
+
+确保Docker配置了GPU支持：
+
+```yaml
+# docker-compose.yml
+python-service:
+  deploy:
+    resources:
+      reservations:
+        devices:
+          - driver: nvidia
+            count: 1
+            capabilities: [gpu]
+```
+
+### 2. 选择合适的模型大小
+
+YOLOv8提供多种尺寸：
+
+| 模型 | 参数量 | 速度 | 精度 |
+|------|--------|------|------|
+| YOLOv8n | 3.2M | 最快 | 较低 |
+| YOLOv8s | 11.2M | 快 | 中等 |
+| YOLOv8m | 25.9M | 中等 | 较高 |
+| YOLOv8l | 43.7M | 慢 | 高 |
+| YOLOv8x | 68.2M | 最慢 | 最高 |
+
+根据需求选择：
+- 实时处理 → 使用 `yolov8n.pt` 或 `yolov8s.pt`
+- 高精度 → 使用 `yolov8l.pt` 或 `yolov8x.pt`
+
+### 3. 调整图像尺寸
+
+```python
+# 在 yolov8_model.py 中
+self.img_size = 320  # 更快但精度降低
+# 或
+self.img_size = 1280  # 更慢但精度提高
+```
+
+## 常见问题
+
+### Q1: 模型加载失败
+
+```
+错误：FileNotFoundError: best.pt not found
+解决：确保模型文件在 python-inference-service/models/best.pt
+```
+
+### Q2: GPU不可用
+
+```
+错误：CUDA not available
+解决：
+1. 检查NVIDIA驱动安装
+2. 检查Docker GPU支持
+3. 使用 docker run --gpus all 测试GPU
+```
+
+### Q3: 检测结果为空
+
+```
+原因：
+1. 置信度阈值太高
+2. 模型未正确训练
+3. 输入图像与训练数据差异大
+
+解决：
+1. 降低 conf_threshold
+2. 检查模型训练情况
+3. 检查输入图像质量
+```
+
+### Q4: 推理速度慢
+
+```
+解决：
+1. 使用GPU加速
+2. 使用更小的模型（如yolov8n）
+3. 减小输入图像尺寸
+4. 批量处理多张图像
+```
+
+## 模型版本差异
+
+### YOLOv5 vs YOLOv8
+
+本系统已从YOLOv5升级到YOLOv8：
+
+| 特性 | YOLOv5 | YOLOv8 |
+|------|--------|--------|
+| 精度 | 较高 | 更高 |
+| 速度 | 快 | 更快 |
+| API | yolov5 | ultralytics |
+| 训练 | 复杂 | 简单 |
+
+### 迁移说明
+
+如果之前使用YOLOv5模型：
+
+1. 使用YOLOv8重新训练（推荐）
+2. 或使用 `garbage_model.py` 作为模板支持YOLOv5
+
+## 参考资料
+
+- [Ultralytics YOLOv8文档](https://docs.ultralytics.com/)
+- [YOLOv8 GitHub](https://github.com/ultralytics/ultralytics)
+- [模型训练教程](https://docs.ultralytics.com/modes/train/)
+- [推理示例](https://docs.ultralytics.com/modes/predict/)
+
+## 技术支持
+
+如遇问题：
+1. 查看服务日志：`docker-compose logs python-service`
+2. 查看模型加载日志
+3. 测试模型是否可以本地加载
+4. 检查环境配置是否正确