DeXun/rtsp-video-analysis-system

Fork 0

Files

86156 39d39a7a24 将检测任务迁移python

2025-09-30 14:23:33 +08:00

5.7 KiB

Raw Blame History

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：

# 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：

# 文件路径
python-inference-service/models/classes.txt

# 内容示例
person
car
truck
bicycle

3. 启动服务

# 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

pip install ultralytics

2. 准备数据集

创建数据集配置文件 data.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

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：

# 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：

# 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：

[
  {
    "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：

[
  {
    "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

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：

# 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：

# 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

# 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：

使用YOLOv8重新训练（推荐）
或使用 garbage_model.py 作为模板支持YOLOv5

参考资料

技术支持

如遇问题：

查看服务日志：docker-compose logs python-service
查看模型加载日志
测试模型是否可以本地加载
检查环境配置是否正确

5.7 KiB Raw Blame History Unescape Escape