### 如何在 Python 中配置和使用 YOLO 框架实现目标检测 要在 Python 环境中成功配置并使用 YOLO 框架进行目标检测，需完成以下几个方面的设置： #### 1. 安装依赖库 首先需要安装必要的 Python 库以及 YOLO 所支持的框架版本。例如，在使用 Ultralytics 提供的 YOLOv8 版本时，可通过 pip 命令快速安装所需的包： ```bash pip install ultralytics ``` 此命令会自动下载并安装 `ultralytics` 及其所有依赖项[^1]。 #### 2. 准备数据集 为了使模型能够正常运行，必须准备好适配的数据集。通常情况下，YOLO 要求输入数据遵循特定格式（如 `.txt` 文件标注边界框）。对于遥感图像的目标检测任务，可参考 NWPU VHR-10 或 DIOR 数据集，并将其转换为 YOLO 支持的格式[^2]。 以下是将 NWPU VHR-10 数据集转换为 YOLO 格式的具体方法： - 使用脚本解析原始标签文件中的坐标信息； - 将这些坐标标准化到 [0, 1] 范围内； - 存储为每张图片对应的 `.txt` 文件。 #### 3. 配置 data.yaml 文件 YOLO 训练过程中需要用到一个名为 `data.yaml` 的配置文件来定义类别名称、训练/验证路径等内容。下面是一个简单的例子： ```yaml train: ../datasets/train/images/ val: ../datasets/valid/images/ nc: 10 names: ['plane', 'ship', 'storage tank', ... ] ``` 上述代码片段指定了训练集目录位置 (`train`) 和验证集目录位置 (`val`) ，同时声明了共有多少类对象(`nc`)及其各自的标签名列表(`names`)。 #### 4. 开始训练 当一切准备就绪之后，就可以启动模型训练流程了。利用 CLI 工具或者编写自定义脚本来调用 API 接口均可达成目的。比如执行如下命令即可开始一次完整的训练周期： ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 加载预训练权重 results = model.train(data='path/to/data.yaml', epochs=100, imgsz=640) ``` 这里加载了一个轻量级的基础模型 `'yolov8n.pt'` 并传入之前创建好的 `data.yaml` 参数表单作为输入源之一。 #### 5. 实现 Web 应用监控 (可选扩展) 如果希望进一步提升用户体验，则可以考虑构建类似于 **YOLOv8 Training Dashboard** 这样的前端界面应用。它允许用户通过浏览器提交各种超参设定值，动态追踪学习曲线变化趋势以及其他重要统计数值等等。 --- ### 示例代码展示 以下是一段简单演示如何加载模型并对单一图像实施推理操作的小样例： ```python import cv2 from ultralytics import YOLO # 初始化模型实例 model = YOLO("best_model.pt") # 导入测试样本 img_path = "test_image.jpg" image = cv2.imread(img_path) # 执行预测 predictions = model.predict(source=image, conf=0.5) for pred in predictions: boxes = pred.boxes.xyxy.cpu().numpy() scores = pred.boxes.conf.cpu().numpy() for box, score in zip(boxes, scores): x_min, y_min, x_max, y_max = map(int, box) cv2.rectangle(image, (x_min, y_min), (x_max, y_max), color=(0, 255, 0), thickness=2) cv2.imshow("Detected Objects", image) cv2.waitKey(0) ``` ---