feat(yolo): 添加多种YOLO模型应用示例- 添加图像分类、实例分割、姿态估计和旋转目标检测示例

- 实现目标模糊处理功能
- 更新模型加载路径和相关配置
-重命名部分示例文件编号- 添加moviepy依赖项
- 移除不必要的numpy导入和类别文件

.gitignore

@@ -2,4 +2,4 @@
 .idea
 yolo
 runs
-models/yolov8x.pt
+models/

01.加载模型.py

@@ -1,5 +1,5 @@
 from ultralytics import YOLO
-
+# 文档https://docs.ultralytics.com/zh/
 # model = YOLO('models/yolov8n.pt')
 model = YOLO('models/yolov8x.pt')
 # model('./resources/01.png',show=True,save=True)

03.图像分类.py

@@ -1,5 +1,8 @@
 from ultralytics import YOLO
 
 # 加载预训练模型
-model = YOLO('models/yolov8x.pt')
-model.train(data='train.yaml', epochs=200, imgsz=640, batch=32, device='cpu')
+model = YOLO('models/yolov8n-cls.pt')
+results = model('./resources/图像分类.png',save=True)
+for result in results:
+    probs = result.probs
+    print(probs)

04.实例分割.py

@@ -0,0 +1,8 @@
+from ultralytics import YOLO
+
+# 加载预训练模型
+model = YOLO('models/yolov8n-seg.pt')
+results = model('./resources/图像分类.png',save= True)
+for result in results:
+    masks = result.masks
+    print(masks)

05.姿态估计.py

@@ -0,0 +1,8 @@
+from ultralytics import YOLO
+
+# 加载预训练模型
+model = YOLO('models/yolo11n-pose.pt')
+results = model('./resources/姿态估计',save= True)
+for result in results:
+    keypoints = result.keypoints
+    print(keypoints)

06.旋转目标检测.py

@@ -0,0 +1,8 @@
+from ultralytics import YOLO
+
+# 加载预训练模型
+model = YOLO('models/yolo11n-obb.pt')
+results = model('./resources/图像分类.png',save= True)
+for result in results:
+    obb = result.obb
+    print(obb)

07.目标模糊处理.py

@@ -0,0 +1,38 @@
+import cv2
+from ultralytics import YOLO
+
+# 加载预训练的YOLOv8模型
+model = YOLO('models/yolo11n.pt')
+# 打印模型能够识别的所有物体类别名称
+print(model.names)
+# 初始化摄像头，参数1表示使用默认的第二个摄像头（如果只有一个摄像头，通常使用0）
+cap = cv2.VideoCapture(1)
+# 循环读取摄像头帧，直到摄像头关闭
+while cap.isOpened():
+    # 读取一帧图像
+    ret, frame = cap.read()
+    # 如果没有成功读取帧，则跳出循环
+    if not ret:
+        break
+    # 使用YOLO模型对当前帧进行目标检测
+    results = model.predict(frame)
+    # 从检测结果中提取边界框坐标（xyxy格式），并转换为列表
+    # 注意：这里原代码有重复赋值的错误，已修正
+    boxes = results[0].boxes.xyxy.cpu().tolist()
+    # 遍历所有检测到的边界框
+    for box in boxes:
+        # 从frame中截取边界框区域的图像
+        # 格式为[y1:y2, x1:x2]，其中box[0]是x1, box[1]是y1, box[2]是x2, box[3]是y2
+        obj = frame[int(box[1]):int(box[3]), int(box[0]):int(box[2])]
+        # 对截取的图像区域进行高斯模糊处理，模糊核大小为70x70
+        # 然后将模糊后的图像重新赋值给原位置，实现目标模糊效果
+        frame[int(box[1]):int(box[3]), int(box[0]):int(box[2])] = cv2.blur(obj, (70, 70))
+    # 显示处理后的图像窗口
+    cv2.imshow("YOLOv8 Inference", frame)
+    # 等待键盘输入1毫秒，如果按下'q'键则退出循环
+    if cv2.waitKey(1) == ord('q'):
+        break
+# 释放摄像头资源
+cap.release()
+# 关闭所有OpenCV创建的窗口
+cv2.destroyAllWindows()

10.检测屏幕内容.py

@@ -8,7 +8,7 @@ import numpy as np
 # 加载训练好的模型
 # best.pt: 最佳模型，适用于生产
 # last.pt: 最后一轮训练的模型，适用于继续训练
-yolo = YOLO('runs/detect/train6/weights/best.pt')
+yolo = YOLO('runs/detect/train7/weights/best.pt')
 
 # 指定屏幕范围
 # x,y,width,height  全屏None

11.应用-视频马赛克.py

@@ -1,5 +1,4 @@
 import cv2
-import numpy as np
 from ultralytics import YOLO
 from moviepy import VideoFileClip  # 用于处理音频（仅视频文件需要）
 

dataset1/classes.txt

@@ -1 +0,0 @@
-logo

dataset1/labels/1.txt

@@ -1 +0,0 @@
-0 0.267786 0.495737 0.158273 0.103739

dataset1/labels/2.txt

@@ -1,2 +0,0 @@
-0 0.268585 0.198019 0.163070 0.034106
-0 0.499600 0.501421 0.001599 0.001421

requirements.txt

@@ -1,4 +1,5 @@
 ultralytics~=8.3.198
 opencv-python~=4.12.0.88
 numpy~=2.0.2
-pyautogui
+pyautogui
+moviepy