Yolov8n Forklift Detection

🚀 叉車檢測模型 - yolov8n

本項目基於ultralytics庫，使用YOLOv8n模型進行叉車和人員的目標檢測。通過在特定數據集上的訓練，該模型在叉車目標檢測任務中展現出了良好的性能。

🚀 快速開始

安裝依賴庫

安裝 ultralyticsplus 庫及其依賴：

pip install ultralyticsplus==0.0.23 ultralytics==8.0.21

加載模型並進行預測

from ultralyticsplus import YOLO, render_result

# 加載模型
model = YOLO('keremberke/yolov8n-forklift-detection')

# 設置模型參數
model.overrides['conf'] = 0.25  # NMS 置信度閾值
model.overrides['iou'] = 0.45  # NMS IoU 閾值
model.overrides['agnostic_nms'] = False  # NMS 類別無關
model.overrides['max_det'] = 1000  # 每張圖像的最大檢測數

# 設置圖像
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理
results = model.predict(image)

# 查看結果
print(results[0].boxes)
render = render_result(model=model, image=image, result=results[0])
render.show()

更多模型

更多可用模型請訪問：awesome-yolov8-models

✨ 主要特性

• 目標檢測：支持對叉車和人員的目標檢測。
• 高性能：在keremberke/forklift-object-detection數據集的驗證集上，mAP@0.5(box)達到了 0.83794。

📦 安裝指南

安裝 ultralyticsplus 庫及其依賴：

pip install ultralyticsplus==0.0.23 ultralytics==8.0.21

💻 使用示例

基礎用法

from ultralyticsplus import YOLO, render_result

# 加載模型
model = YOLO('keremberke/yolov8n-forklift-detection')

# 設置模型參數
model.overrides['conf'] = 0.25  # NMS 置信度閾值
model.overrides['iou'] = 0.45  # NMS IoU 閾值
model.overrides['agnostic_nms'] = False  # NMS 類別無關
model.overrides['max_det'] = 1000  # 每張圖像的最大檢測數

# 設置圖像
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理
results = model.predict(image)

# 查看結果
print(results[0].boxes)
render = render_result(model=model, image=image, result=results[0])
render.show()

📚 詳細文檔

支持的標籤

['forklift', 'person']

模型指標

模型展示