企业官网建设流程全解析

建网站需要多少钱和什么条件才能建,免费的虚拟主机空间,山东软件开发的公司,wix做中文网站怎么样摘要 教室人员检测与计数是智慧校园建设中的重要组成部分#xff0c;对于教学管理、资源优化和安全监控具有重要意义。本文详细介绍了一个基于YOLOv8/YOLOv7/YOLOv6/YOLOv5深度学习框架的教室人员检测与计数系统。系统实现了从数据准备、模型训练到可视化界面的完整流程…摘要教室人员检测与计数是智慧校园建设中的重要组成部分对于教学管理、资源优化和安全监控具有重要意义。本文详细介绍了一个基于YOLOv8/YOLOv7/YOLOv6/YOLOv5深度学习框架的教室人员检测与计数系统。系统实现了从数据准备、模型训练到可视化界面的完整流程并提供了PySide6图形用户界面(GUI)方便用户使用。本文不仅深入探讨了YOLO系列算法的原理和实现细节还提供了完整的代码实现和参考数据集信息。目录摘要1. 引言1.1 研究背景与意义1.2 YOLO算法发展历程2. 相关工作2.1 目标检测算法概述2.2 人员计数技术研究现状3. 系统设计与实现3.1 系统架构3.2 技术栈4. 数据集准备4.1 参考数据集4.2 数据标注格式4.3 数据增强策略5. 模型实现细节5.1 YOLOv8模型结构5.2 损失函数设计5.3 训练策略优化6. 系统完整代码实现6.1 主程序代码6.2 训练代码实现6.3 配置文件示例1. 引言1.1 研究背景与意义随着人工智能技术的飞速发展计算机视觉在各个领域得到了广泛应用。在教育场景中教室人员检测与计数系统可以用于教学管理实时监测教室使用情况优化课程安排考勤统计自动化学生出勤记录减轻教师负担安全管理监控教室人员密度预防安全隐患资源优化根据教室使用率合理分配教学资源教学研究分析学生学习行为改进教学方法传统的人员检测与计数方法主要依赖人工观察或简单的传感器技术存在效率低、准确性差、成本高等问题。基于深度学习的计算机视觉技术为解决这些问题提供了新的思路。1.2 YOLO算法发展历程YOLOYou Only Look Once算法自2016年提出以来经历了多次迭代和改进YOLOv1开创性地将目标检测视为回归问题实现端到端训练YOLOv2引入锚框机制和多尺度训练提升检测精度YOLOv3采用特征金字塔网络改进多尺度检测YOLOv4引入大量训练技巧如Mosaic数据增强、CIoU损失等YOLOv5优化网络结构和训练策略平衡速度与精度YOLOv6重新设计骨干网络和neck结构YOLOv7提出扩展高效聚合网络和标签分配策略YOLOv8采用新的骨干网络和检测头设计性能全面提升2. 相关工作2.1 目标检测算法概述目标检测算法主要分为两大类两阶段检测器R-CNN系列通过区域建议和分类两个阶段完成检测优点检测精度高缺点速度慢难以满足实时性要求单阶段检测器YOLO系列将检测问题转化为回归问题SSD系列在不同尺度特征图上进行检测RetinaNet引入Focal Loss解决类别不平衡问题优点检测速度快适合实时应用缺点小目标检测精度相对较低2.2 人员计数技术研究现状当前人员计数技术主要分为以下几类基于传统计算机视觉的方法使用HOG特征SVM分类器或背景减除法基于深度学习的方法检测式计数先检测再计数密度图估计将计数问题转化为密度图回归问题回归式计数直接从图像回归人数基于传感器的方法使用红外传感器、压力传感器等3. 系统设计与实现3.1 系统架构本系统采用模块化设计主要包括以下模块text教室人员检测与计数系统架构 ├── 数据准备模块 │ ├── 数据收集与标注 │ ├── 数据增强与预处理 │ └── 数据集划分 ├── 模型训练模块 │ ├── 模型选择与配置 │ ├── 训练参数设置 │ └── 模型评估与优化 ├── 推理检测模块 │ ├── 图像检测 │ ├── 视频检测 │ └── 实时检测 └── 用户界面模块 ├── 参数配置界面 ├── 结果显示界面 └── 数据管理界面3.2 技术栈深度学习框架PyTorch 1.12YOLO实现Ultralytics YOLOv8, YOLOv5官方代码GUI框架PySide6数据处理OpenCV, PIL, NumPy, Pandas可视化Matplotlib, Seaborn开发环境Python 3.8, CUDA 11.34. 数据集准备4.1 参考数据集本文推荐使用以下公开数据集进行训练和测试SCUT-HEAD数据集包含大量教室场景的人头检测标注CrowdHuman数据集密集人群检测数据集包含丰富的室内外场景VisDrone数据集虽然主要是无人机视角但包含大量人群场景COCO Persons子集从COCO数据集中提取的人员检测数据自制数据集在实际教室场景中采集并标注的数据4.2 数据标注格式采用YOLO格式的标注文件每个标注文件包含textclass_id x_center y_center width height其中坐标值为归一化后的相对坐标。4.3 数据增强策略为提高模型泛化能力采用以下数据增强技术python# 数据增强配置示例 augmentations { hsv_h: 0.015, # 色调增强 hsv_s: 0.7, # 饱和度增强 hsv_v: 0.4, # 明度增强 rotate: 10, # 旋转角度 translate: 0.2, # 平移比例 scale: 0.5, # 缩放比例 shear: 0.0, # 剪切角度 perspective: 0.001, # 透视变换 flipud: 0.0, # 上下翻转概率 fliplr: 0.5, # 左右翻转概率 mosaic: 1.0, # Mosaic增强概率 mixup: 0.2 # MixUp增强概率 }5. 模型实现细节5.1 YOLOv8模型结构YOLOv8采用新的骨干网络和检测头设计python# YOLOv8模型配置 model_config { backbone: { type: CSPDarknet, depth_multiple: 1.0, width_multiple: 1.0, features: [64, 128, 256, 512, 1024] }, neck: { type: PAN-FPN, in_channels: [256, 512, 1024], out_channels: [128, 256, 512] }, head: { type: DecoupledHead, num_classes: 1, # 只检测人员 reg_max: 16, strides: [8, 16, 32] } }5.2 损失函数设计YOLOv8采用分类、回归和分布焦点损失组合pythonclass YOLOv8Loss: def __init__(self, num_classes1, reg_max16): self.num_classes num_classes self.reg_max reg_max def forward(self, preds, targets): # 分类损失 - 使用二元交叉熵 cls_loss self.compute_cls_loss(preds[cls], targets[cls]) # 回归损失 - 使用CIoU损失 box_loss self.compute_box_loss(preds[reg], targets[reg]) # 分布焦点损失 dfl_loss self.compute_dfl_loss(preds[dfl], targets[dfl]) total_loss cls_loss box_loss dfl_loss return total_loss5.3 训练策略优化采用多种训练技巧提升模型性能自适应学习率调整pythonscheduler { type: CosineAnnealingLR, T_max: 300, eta_min: 1e-5, warmup_epochs: 3, warmup_lr: 1e-6 }权重衰减5e-4梯度累积每4个批次更新一次混合精度训练使用AMP加速训练早停策略连续10个epoch验证集损失未改善则停止6. 系统完整代码实现6.1 主程序代码python# main.py - 教室人员检测与计数系统主程序 import sys import os import cv2 import torch import numpy as np from pathlib import Path from datetime import datetime from PySide6.QtWidgets import (QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QFileDialog, QMessageBox, QTabWidget, QGroupBox, QSpinBox, QDoubleSpinBox, QComboBox, QTextEdit, QProgressBar) from PySide6.QtCore import Qt, QThread, Signal, QTimer from PySide6.QtGui import QImage, QPixmap, QFont class YOLODetector: YOLO检测器基类 def __init__(self, model_path, devicecuda): self.device device self.model self.load_model(model_path) self.names [person] # 类别名称 def load_model(self, model_path): 加载模型 raise NotImplementedError(子类必须实现此方法) def detect(self, image): 检测图像 raise NotImplementedError(子类必须实现此方法) class YOLOv5Detector(YOLODetector): YOLOv5检测器 def load_model(self, model_path): try: # 尝试加载YOLOv5模型 import yolov5 model yolov5.load(model_path, deviceself.device) model.conf 0.25 # 置信度阈值 model.iou 0.45 # IoU阈值 return model except ImportError: print(请安装YOLOv5: pip install yolov5) return None def detect(self, image): if self.model is None: return [], image results self.model(image) detections [] for *box, conf, cls in results.xyxy[0]: if conf 0.25: # 过滤低置信度检测 x1, y1, x2, y2 map(int, box) detections.append({ bbox: [x1, y1, x2, y2], confidence: float(conf), class: int(cls), class_name: self.names[int(cls)] if int(cls) len(self.names) else unknown }) return detections, results.render()[0] class YOLOv8Detector(YOLODetector): YOLOv8检测器 def load_model(self, model_path): try: from ultralytics import YOLO model YOLO(model_path) return model except ImportError: print(请安装Ultralytics: pip install ultralytics) return None def detect(self, image): if self.model is None: return [], image results self.model(image, conf0.25, iou0.45) detections [] if len(results) 0: boxes results[0].boxes for box in boxes: x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) conf float(box.conf[0]) cls int(box.cls[0]) detections.append({ bbox: [x1, y1, x2, y2], confidence: conf, class: cls, class_name: self.names[cls] if cls len(self.names) else unknown }) annotated_img results[0].plot() return detections, annotated_img return [], image class DetectionThread(QThread): 检测线程 detection_done Signal(list, np.ndarray) progress_updated Signal(int) def __init__(self, detector, image): super().__init__() self.detector detector self.image image def run(self): detections, result_img self.detector.detect(self.image) self.detection_done.emit(detections, result_img) class ClassroomMonitorGUI(QMainWindow): 教室人员检测与计数系统GUI def __init__(self): super().__init__() self.detector None self.current_image None self.video_capture None self.timer QTimer() self.init_ui() self.setup_connections() def init_ui(self): 初始化用户界面 self.setWindowTitle(教室人员检测与计数系统 v1.0) self.setGeometry(100, 100, 1200, 800) # 中央部件 central_widget QWidget() self.setCentralWidget(central_widget) main_layout QVBoxLayout(central_widget) # 顶部控制栏 control_layout QHBoxLayout() # 模型选择 model_group QGroupBox(模型设置) model_layout QVBoxLayout() self.model_combo QComboBox() self.model_combo.addItems([YOLOv5, YOLOv8, YOLOv7, YOLOv6]) model_layout.addWidget(QLabel(选择模型:)) model_layout.addWidget(self.model_combo) self.model_load_btn QPushButton(加载模型) model_layout.addWidget(self.model_load_btn) model_group.setLayout(model_layout) control_layout.addWidget(model_group) # 检测参数 param_group QGroupBox(检测参数) param_layout QVBoxLayout() param_layout.addWidget(QLabel(置信度阈值:)) self.conf_spin QDoubleSpinBox() self.conf_spin.setRange(0.0, 1.0) self.conf_spin.setValue(0.25) self.conf_spin.setSingleStep(0.05) param_layout.addWidget(self.conf_spin) param_layout.addWidget(QLabel(IoU阈值:)) self.iou_spin QDoubleSpinBox() self.iou_spin.setRange(0.0, 1.0) self.iou_spin.setValue(0.45) self.iou_spin.setSingleStep(0.05) param_layout.addWidget(self.iou_spin) param_group.setLayout(param_layout) control_layout.addWidget(param_group) # 功能按钮 btn_group QGroupBox(功能) btn_layout QVBoxLayout() self.image_btn QPushButton(打开图像) self.video_btn QPushButton(打开视频) self.camera_btn QPushButton(摄像头实时检测) self.export_btn QPushButton(导出结果) btn_layout.addWidget(self.image_btn) btn_layout.addWidget(self.video_btn) btn_layout.addWidget(self.camera_btn) btn_layout.addWidget(self.export_btn) btn_group.setLayout(btn_layout) control_layout.addWidget(btn_group) main_layout.addLayout(control_layout) # 图像显示区域 display_layout QHBoxLayout() # 原始图像 self.original_label QLabel(原始图像) self.original_label.setAlignment(Qt.AlignCenter) self.original_label.setMinimumSize(640, 480) self.original_label.setStyleSheet(border: 1px solid #cccccc; background-color: #f0f0f0;) display_layout.addWidget(self.original_label) # 检测结果 self.result_label QLabel(检测结果) self.result_label.setAlignment(Qt.AlignCenter) self.result_label.setMinimumSize(640, 480) self.result_label.setStyleSheet(border: 1px solid #cccccc; background-color: #f0f0f0;) display_layout.addWidget(self.result_label) main_layout.addLayout(display_layout) # 底部信息栏 info_layout QHBoxLayout() # 统计信息 self.count_label QLabel(检测人数: 0) self.count_label.setFont(QFont(Arial, 12, QFont.Bold)) info_layout.addWidget(self.count_label) self.time_label QLabel(处理时间: 0ms) info_layout.addWidget(self.time_label) # 进度条 self.progress_bar QProgressBar() info_layout.addWidget(self.progress_bar) main_layout.addLayout(info_layout) # 日志输出 self.log_text QTextEdit() self.log_text.setMaximumHeight(100) self.log_text.setReadOnly(True) main_layout.addWidget(self.log_text) self.log_message(系统初始化完成) def setup_connections(self): 设置信号槽连接 self.model_load_btn.clicked.connect(self.load_model) self.image_btn.clicked.connect(self.open_image) self.video_btn.clicked.connect(self.open_video) self.camera_btn.clicked.connect(self.start_camera) self.export_btn.clicked.connect(self.export_results) self.timer.timeout.connect(self.update_camera_frame) def log_message(self, message): 记录日志 timestamp datetime.now().strftime(%H:%M:%S) self.log_text.append(f[{timestamp}] {message}) def load_model(self): 加载模型 model_type self.model_combo.currentText() # 这里应该加载对应的模型文件 # 实际应用中需要用户选择模型文件 model_path fmodels/{model_type.lower()}_classroom.pt if model_type YOLOv5: self.detector YOLOv5Detector(model_path) elif model_type YOLOv8: self.detector YOLOv8Detector(model_path) else: QMessageBox.warning(self, 警告, f{model_type}模型暂未实现) return self.log_message(f已加载{model_type}模型) QMessageBox.information(self, 成功, f{model_type}模型加载成功) def open_image(self): 打开图像文件 file_path, _ QFileDialog.getOpenFileName( self, 选择图像, , 图像文件 (*.jpg *.jpeg *.png *.bmp) ) if file_path: self.current_image cv2.imread(file_path) if self.current_image is not None: # 显示原始图像 self.display_image(self.current_image, self.original_label) # 开始检测 self.detect_in_image(self.current_image) def detect_in_image(self, image): 在图像中检测 if self.detector is None: QMessageBox.warning(self, 警告, 请先加载模型) return # 创建检测线程 self.detection_thread DetectionThread(self.detector, image) self.detection_thread.detection_done.connect(self.on_detection_done) self.detection_thread.start() self.log_message(开始检测...) def on_detection_done(self, detections, result_img): 检测完成处理 # 更新人数统计 person_count len([d for d in detections if d[class_name] person]) self.count_label.setText(f检测人数: {person_count}) # 显示检测结果 self.display_image(result_img, self.result_label) self.log_message(f检测完成共检测到{person_count}人) def open_video(self): 打开视频文件 file_path, _ QFileDialog.getOpenFileName( self, 选择视频, , 视频文件 (*.mp4 *.avi *.mov *.mkv) ) if file_path: self.video_capture cv2.VideoCapture(file_path) self.process_video() def process_video(self): 处理视频 if self.video_capture is None or not self.video_capture.isOpened(): return ret, frame self.video_capture.read() if ret: self.detect_in_image(frame) # 继续处理下一帧 QTimer.singleShot(30, self.process_video) else: self.video_capture.release() self.video_capture None def start_camera(self): 启动摄像头 self.video_capture cv2.VideoCapture(0) if not self.video_capture.isOpened(): QMessageBox.warning(self, 警告, 无法打开摄像头) return self.timer.start(30) # 30ms更新一次 def update_camera_frame(self): 更新摄像头帧 if self.video_capture is None: return ret, frame self.video_capture.read() if ret: # 显示原始图像 self.display_image(frame, self.original_label) # 检测 if self.detector is not None: detections, result_img self.detector.detect(frame) person_count len([d for d in detections if d[class_name] person]) self.count_label.setText(f检测人数: {person_count}) self.display_image(result_img, self.result_label) def export_results(self): 导出结果 file_path, _ QFileDialog.getSaveFileName( self, 保存结果, , CSV文件 (*.csv);;文本文件 (*.txt) ) if file_path: # 这里应该实现结果导出逻辑 self.log_message(f结果已导出到: {file_path}) def display_image(self, image, label): 在标签中显示图像 if image is None: return # 调整图像大小以适应标签 height, width image.shape[:2] max_height label.maximumHeight() max_width label.maximumWidth() if height max_height or width max_width: scale min(max_height/height, max_width/width) new_size (int(width*scale), int(height*scale)) image cv2.resize(image, new_size) height, width image.shape[:2] # 转换颜色空间 if len(image.shape) 3: rgb_image cv2.cvtColor(image, cv2.COLOR_BGR2RGB) bytes_per_line 3 * width qimage QImage(rgb_image.data, width, height, bytes_per_line, QImage.Format_RGB888) else: rgb_image cv2.cvtColor(image, cv2.COLOR_GRAY2RGB) bytes_per_line 3 * width qimage QImage(rgb_image.data, width, height, bytes_per_line, QImage.Format_RGB888) label.setPixmap(QPixmap.fromImage(qimage)) def closeEvent(self, event): 关闭事件 if self.video_capture is not None: self.video_capture.release() event.accept() def main(): app QApplication(sys.argv) window ClassroomMonitorGUI() window.show() sys.exit(app.exec()) if __name__ __main__: main()6.2 训练代码实现python# train.py - YOLOv8训练代码 import torch import yaml import argparse from pathlib import Path from datetime import datetime import numpy as np import matplotlib.pyplot as plt from ultralytics import YOLO from sklearn.model_selection import train_test_split class ClassroomPersonDetectorTrainer: 教室人员检测训练器 def __init__(self, config_path): self.config self.load_config(config_path) self.setup_directories() def load_config(self, config_path): 加载配置文件 with open(config_path, r, encodingutf-8) as f: config yaml.safe_load(f) return config def setup_directories(self): 设置目录结构 self.base_dir Path(self.config[paths][base_dir]) self.data_dir self.base_dir / self.config[paths][data_dir] self.models_dir self.base_dir / self.config[paths][models_dir] self.results_dir self.base_dir / self.config[paths][results_dir] # 创建目录 for directory in [self.models_dir, self.results_dir]: directory.mkdir(parentsTrue, exist_okTrue) def prepare_dataset(self): 准备数据集 # 获取所有图像文件 image_files list(self.data_dir.glob(images/*.jpg)) \ list(self.data_dir.glob(images/*.png)) # 划分训练集、验证集、测试集 train_files, test_files train_test_split( image_files, test_sizeself.config[dataset][test_split], random_stateself.config[dataset][random_seed] ) train_files, val_files train_test_split( train_files, test_sizeself.config[dataset][val_split], random_stateself.config[dataset][random_seed] ) # 创建数据配置YAML文件 data_yaml { path: str(self.data_dir), train: [str(f) for f in train_files], val: [str(f) for f in val_files], test: [str(f) for f in test_files], nc: 1, # 类别数 names: [person] # 类别名称 } yaml_path self.data_dir / classroom_data.yaml with open(yaml_path, w) as f: yaml.dump(data_yaml, f) return yaml_path, len(train_files), len(val_files), len(test_files) def train_model(self): 训练模型 print(开始准备数据集...) data_yaml_path, train_count, val_count, test_count self.prepare_dataset() print(f数据集统计: 训练集{train_count}, 验证集{val_count}, 测试集{test_count}) # 加载模型 model_name self.config[model][name] if model_name yolov8n: model YOLO(yolov8n.pt) elif model_name yolov8s: model YOLO(yolov8s.pt) elif model_name yolov8m: model YOLO(yolov8m.pt) elif model_name yolov8l: model YOLO(yolov8l.pt) elif model_name yolov8x: model YOLO(yolov8x.pt) else: raise ValueError(f不支持的模型: {model_name}) # 训练参数 train_args { data: str(data_yaml_path), epochs: self.config[training][epochs], patience: self.config[training][patience], batch: self.config[training][batch_size], imgsz: self.config[training][image_size], save: True, save_period: self.config[training][save_period], cache: self.config[training][cache], device: self.config[training][device], workers: self.config[training][workers], project: str(self.models_dir), name: f{model_name}_classroom_{datetime.now().strftime(%Y%m%d_%H%M%S)}, exist_ok: True, pretrained: True, optimizer: self.config[training][optimizer], lr0: self.config[training][initial_lr], lrf: self.config[training][final_lr], momentum: self.config[training][momentum], weight_decay: self.config[training][weight_decay], warmup_epochs: self.config[training][warmup_epochs], warmup_momentum: self.config[training][warmup_momentum], box: self.config[training][box_loss_weight], cls: self.config[training][cls_loss_weight], dfl: self.config[training][dfl_loss_weight], close_mosaic: self.config[training][close_mosaic_epochs], resume: self.config[training][resume] } # 开始训练 print(开始训练模型...) results model.train(**train_args) # 保存最佳模型 best_model_path Path(results.save_dir) / weights / best.pt final_model_path self.models_dir / f{model_name}_classroom_best.pt if best_model_path.exists(): import shutil shutil.copy(best_model_path, final_model_path) print(f最佳模型已保存到: {final_model_path}) return results, final_model_path def evaluate_model(self, model_path): 评估模型 model YOLO(model_path) # 在测试集上评估 metrics model.val( datastr(self.data_dir / classroom_data.yaml), splittest, imgszself.config[training][image_size], batchself.config[training][batch_size], save_jsonTrue, save_hybridTrue, conf0.25, iou0.45 ) return metrics def plot_training_results(self, results): 绘制训练结果 fig, axes plt.subplots(2, 3, figsize(15, 10)) # 训练损失 axes[0, 0].plot(results.results[train/box_loss], labelBox Loss) axes[0, 0].plot(results.results[train/cls_loss], labelCls Loss) axes[0, 0].plot(results.results[train/dfl_loss], labelDFL Loss) axes[0, 0].set_title(Training Loss) axes[0, 0].set_xlabel(Epoch) axes[0, 0].set_ylabel(Loss) axes[0, 0].legend() axes[0, 0].grid(True) # 验证损失 axes[0, 1].plot(results.results[val/box_loss], labelBox Loss) axes[0, 1].plot(results.results[val/cls_loss], labelCls Loss) axes[0, 1].plot(results.results[val/dfl_loss], labelDFL Loss) axes[0, 1].set_title(Validation Loss) axes[0, 1].set_xlabel(Epoch) axes[0, 1].set_ylabel(Loss) axes[0, 1].legend() axes[0, 1].grid(True) # 学习率 axes[0, 2].plot(results.results[lr/pg0], labelLearning Rate) axes[0, 2].set_title(Learning Rate Schedule) axes[0, 2].set_xlabel(Epoch) axes[0, 2].set_ylabel(Learning Rate) axes[0, 2].legend() axes[0, 2].grid(True) # 精确度指标 axes[1, 0].plot(results.results[metrics/precision(B)], labelPrecision) axes[1, 0].set_title(Precision) axes[1, 0].set_xlabel(Epoch) axes[1, 0].set_ylabel(Precision) axes[1, 0].legend() axes[1, 0].grid(True) axes[1, 1].plot(results.results[metrics/recall(B)], labelRecall) axes[1, 1].set_title(Recall) axes[1, 1].set_xlabel(Epoch) axes[1, 1].set_ylabel(Recall) axes[1, 1].legend() axes[1, 1].grid(True) axes[1, 2].plot(results.results[metrics/mAP50(B)], labelmAP0.5) axes[1, 2].plot(results.results[metrics/mAP50-95(B)], labelmAP0.5:0.95) axes[1, 2].set_title(mAP Metrics) axes[1, 2].set_xlabel(Epoch) axes[1, 2].set_ylabel(mAP) axes[1, 2].legend() axes[1, 2].grid(True) plt.tight_layout() # 保存图像 plot_path self.results_dir / ftraining_plots_{datetime.now().strftime(%Y%m%d_%H%M%S)}.png plt.savefig(plot_path, dpi300, bbox_inchestight) plt.close() return plot_path def export_model_for_deployment(self, model_path, export_formatonnx): 导出模型用于部署 model YOLO(model_path) if export_format onnx: export_path model.export(formatonnx, dynamicTrue, simplifyTrue) elif export_format torchscript: export_path model.export(formattorchscript) elif export_format tensorrt: export_path model.export(formatengine) else: raise ValueError(f不支持的导出格式: {export_format}) return export_path def parse_args(): parser argparse.ArgumentParser(description教室人员检测训练脚本) parser.add_argument(--config, typestr, defaultconfigs/train_config.yaml, help配置文件路径) parser.add_argument(--train, actionstore_true, help训练模型) parser.add_argument(--eval, typestr, help评估模型指定模型路径) parser.add_argument(--export, typestr, help导出模型指定模型路径) parser.add_argument(--export-format, typestr, defaultonnx, choices[onnx, torchscript, tensorrt], help导出格式) return parser.parse_args() def main(): args parse_args() trainer ClassroomPersonDetectorTrainer(args.config) if args.train: print(开始训练流程...) results, model_path trainer.train_model() # 绘制训练结果 plot_path trainer.plot_training_results(results) print(f训练结果图已保存到: {plot_path}) # 评估模型 print(评估模型性能...) metrics trainer.evaluate_model(model_path) print(f模型性能: mAP50{metrics.box.map50:.4f}, mAP50-95{metrics.box.map:.4f}) elif args.eval: print(f评估模型: {args.eval}) metrics trainer.evaluate_model(args.eval) print(f模型性能: mAP50{metrics.box.map50:.4f}, mAP50-95{metrics.box.map:.4f}) elif args.export: print(f导出模型: {args.export} 格式: {args.export_format}) export_path trainer.export_model_for_deployment(args.export, args.export_format) print(f模型已导出到: {export_path}) else: print(请指定操作: --train, --eval 或 --export) if __name__ __main__: main()6.3 配置文件示例yaml# configs/train_config.yaml paths: base_dir: ./classroom_detection data_dir: ./data/classroom models_dir: ./models results_dir: ./results dataset: test_split: 0.2 val_split: 0.1 random_seed: 42 augmentations: hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 10.0 translate: 0.2 scale: 0.5 shear: 0.0 perspective: 0.001 flipud: 0.0 fliplr: 0.5 mosaic: 1.0 mixup: 0.2 model: name: yolov8m pretrained: true num_classes: 1 training: epochs: 100 patience: 10 batch_size: 16 image_size: 640 save_period: 10 cache: false device: cuda # cpu or cuda or 0 or 0,1 workers: 8 optimizer: AdamW initial_lr: 0.001 final_lr: 0.0001 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3 warmup_momentum: 0.8 warmup_bias_lr: 0.1 box_loss_weight: 7.5 cls_loss_weight: 0.5 dfl_loss_weight: 1.5 close_mosaic_epochs: 10 resume: false evaluation: conf_threshold: 0.25 iou_threshold: 0.45 max_detections: 300