yolo

 

https://wwrm.lanzoue.com/i8NFd375iyra

 

yolo_test.7z

https://wwrm.lanzoue.com/ifHVF372lz6f

 

nvidia-smi显示的是驱动支持的‌最高‌CUDA版本‌。
    nvcc --version显示的是‌实际安装‌的CUDA编译器版本‌

nvidia-smi
labelimg==1.8.6
conda create -n t251p310 python=3.10
conda create -n yolo11 python=3.9
import torch

# 检查PyTorch是否可以使用CUDA
if torch.cuda.is_available():
    print("PyTorch supports GPU!")
    # 打印出可用的GPU数量
    print("Number of GPUs available:", torch.cuda.device_count())
    # 打印当前使用的GPU
    print("Current GPU:", torch.cuda.current_device())
    # 打印GPU的名称
    print("GPU name:", torch.cuda.get_device_name(torch.cuda.current_device()))
else:
    print("PyTorch does not support GPU.")

pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121

pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu124

https://download.pytorch.org/whl/cu124/torch-2.5.1%2Bcu124-cp310-cp310-win_amd64.whl

pip install opencv-python==4.11.0.86 matplotlib numpy==1.26.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install opencv-python==4.11.0.86 matplotlib numpy==1.26.3

pip install attrs==19.1.0

pip install dill attrs==19.1.0



from ultralytics import YOLO
import cv2

# Load a model
model = YOLO('yolo11n.pt')

# Run batched inference on a list of images
results = model.predict("bus.jpg", imgsz=640, save=True, device=0,conf=0.8) #gpu
# results = model.predict("bus.jpg", imgsz=640, save=True, device='cpu')

# 获取检测结果图像
result_image = results[0].plot()  # 绘制检测结果图像

# 显示检测结果图像
cv2.imshow('Detection Result', result_image)

# 等待按键按下
cv2.waitKey(0)

# 关闭显示窗口
cv2.destroyAllWindows()

# 保存检测后的图像为别名 bus_dec.jpg
cv2.imwrite('bus_dec.jpg', result_image)

根据你当前使用的 ultralytics YOLOE 模型，model.predict 方法常见参数如下（以 ultralytics 8.x/YOLOE 为例）：

source：输入图片路径、文件夹、视频路径、摄像头编号等。
conf：置信度阈值（如 0.25），低于该值的检测结果会被过滤。
iou：NMS 的 IoU 阈值（如 0.7）。
classes：只检测指定类别（类别索引列表）。
save：是否保存结果（True/False）。
show：是否显示结果窗口（True/False）。
device：推理设备（如 'cpu'、'cuda:0'）。
half：是否使用半精度（True/False）。
imgsz：输入图片尺寸（如 640）。
max_det：每张图片最多检测目标数。
stream：是否流式处理（True/False）。

示例用法：
results = model.predict(
    source="g:/Red.jpg",
    conf=0.2,
    iou=0.5,
    imgsz=640,
    device='cuda:0',
    show=True
)

import cv2
import time
from ultralytics import YOLO

# 手动设置设备 (cuda 或 cpu)
device = 'cuda'  # 修改为 'cpu' 使用 CPU
# device = 'cpu'  

# 初始化YOLO模型
model = YOLO('yolo11n.pt')

# 将模型移动到指定设备
model.to(device)

# 创建类别映射字典
class_names = {
    0: 'person',
    2: 'car',
    3: 'motorbike',
    5: 'bus',
    7: 'truck',
    # 这里可以继续添加其他类别的映射
}

# 打开视频文件或摄像头
cap = cv2.VideoCapture('nfs.mp4')  # 替换为 0 使用摄像头

if not cap.isOpened():
    print("Error: Could not open video.")
    exit()

# 获取视频帧率和尺寸
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

# 初始化视频写入器
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output.avi', fourcc, fps, (width, height))

while True:
    ret, frame = cap.read()
    if not ret:
        break

    start_time = time.time()
    
    # YOLO进行目标检测
    results = model(frame)  # 使用模型进行推理
    detections = results[0].boxes.xyxy.cpu().numpy()  # 获取检测结果并转换为numpy数组
    confidences = results[0].boxes.conf.cpu().numpy()  # 获取置信度
    class_ids = results[0].boxes.cls.cpu().numpy()  # 获取类别ID
    
    # 绘制检测框和类别
    for det, conf, cls in zip(detections, confidences, class_ids):
        x1, y1, x2, y2 = map(int, det)
        label = class_names.get(int(cls), f'Class {int(cls)}')  # 获取类别名称，默认显示为 Class <类别编号>
        cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
        cv2.putText(frame, f'{label} {conf:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
    
    # 计算FPS并显示在窗口上
    end_time = time.time()
    fps_display = 1 / (end_time - start_time)
    cv2.putText(frame, f'FPS: {fps_display:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
    
    # 显示结果
    cv2.imshow('Video', frame)
    
    # 写入视频文件
    # out.write(frame)
    
    # if cv2.waitKey(1) & 0xFF == ord('q'):
    #     break
    key = cv2.waitKey(1) # 等待用户按键

    if key == 27: # 如果用户按下ESC键，退出程序

        break


cap.release()
out.release()
cv2.destroyAllWindows()



certifi==2024.8.30
charset-normalizer==3.3.2
colorama==0.4.6
contourpy==1.3.0
cycler==0.12.1
dill==0.3.9
filelock==3.13.1
fonttools==4.54.1
fsspec==2024.2.0
idna==3.10
Jinja2==3.1.3
kiwisolver==1.4.7
MarkupSafe==2.1.5
matplotlib==3.9.2
mpmath==1.3.0
networkx==3.2.1
packaging==24.1
pandas==2.2.3
pillow==10.2.0
psutil==6.0.0
py-cpuinfo==9.0.0
pyparsing==3.1.4
python-dateutil==2.9.0.post0
pytz==2024.2
PyYAML==6.0.2
requests==2.32.3
scipy==1.13.1
seaborn==0.13.2
six==1.16.0
sympy==1.12
# torch==2.2.1+cu121
# torchaudio==2.2.1+cu121
# torchvision==0.17.1+cu121
tqdm==4.66.5
typing_extensions==4.9.0
tzdata==2024.2
ultralytics==8.3.0
ultralytics-thop==2.0.8
urllib3==2.2.3
onnx>=1.12.0
onnxslim==0.1.34
onnxruntime