### 如何在 PyCharm 中导出 YOLO 模型并与摄像头连接 要在 PyCharm 中完成 YOLO 模型的训练并将其用于实时摄像头检测，可以按照以下方法实现。 #### 一、YOLO 模型的配置与训练 为了成功训练模型，在 `model.train()` 函数中需根据实际需求设置参数[^1]。例如： ```python from ultralytics import YOLO # 初始化模型 model = YOLO('yolov8n.yaml') # 调整训练参数 model.train( data="path_to_data.yaml", # 数据集路径 imgsz=640, # 图片尺寸 epochs=50, # 训练轮次 batch=16, # 批量大小 workers=4, # 工作线程数 device='cuda', # 设备 (CPU 或 GPU) optimizer='Adam' # 优化器选择 ) ``` 上述代码展示了如何通过调整超参来适应不同的硬件条件和任务目标。如果需要自定义模型架构，则可以通过修改 YAML 文件中的字段来指定特定的模型类型[^2]。 #### 二、从 PyCharm 导出训练好的模型 当模型训练完成后，默认会保存到项目目录下的子文件夹中（如 `runs/train/exp/weights/best.pt`），这是最佳权重文件的位置。要加载此预训练模型以便后续部署或测试，可执行如下操作： ```python # 加载已有的模型权重 trained_model = YOLO("runs/train/exp/weights/best.pt") # 验证模型性能 metrics = trained_model.val() print(metrics) ``` 这一步骤验证了所导出模型的有效性和准确性。 #### 三、将 YOLO 模型应用于摄像头视频流 对于实时对象检测应用来说，通常需要读取来自计算机内置或者外接 USB 摄像头的画面帧，并逐帧传递给预测函数处理。下面是一个简单的例子展示如何结合 OpenCV 和 Ultralytics 库来进行这一过程： ```python import cv2 from ultralytics import YOLO def detect_objects_from_camera(model): cap = cv2.VideoCapture(0) # 开启默认摄像头 while True: ret, frame = cap.read() # 获取当前画面 if not ret: break results = model(frame)[0] # 对单张图像做推理 annotated_frame = results.plot() # 绘制边界框和其他标注信息 cv2.imshow("Object Detection", annotated_frame) key = cv2.waitKey(1) if key == ord('q'): # 按 'q' 键退出循环 break cap.release() cv2.destroyAllWindows() if __name__ == "__main__": loaded_model = YOLO("runs/train/exp/weights/best.pt") detect_objects_from_camera(loaded_model) ``` 以上脚本实现了打开本地摄像头捕获每一帧并将它们送入之前提到过的经过良好调优后的神经网络实例里去分析是否存在感兴趣的目标类别；最后再把带有标记的结果反馈回屏幕上显示出来直到用户主动终止程序运行为止[^3]。 --- ###