工地扬尘检测YOLO数据集模型3833张 1类

【工地扬尘检测YOLO数据集】共【3833】张，按照8比2划分为训练集和验证集，其中训练集【3066】张，验证集【767】张，模型分为【1】类，分类为：【‘dust’】

每个类别的图片数量和标注框数量如下：
dust: 图片数【3832】，标注框数【3832】
![好的，针对工地扬尘检测的数据集，我们可以使用YOLOv8模型进行训练和评估。以下是详细的步骤和代码示例，帮助你完成这个任务。

1. 环境准备

首先，确保你已经安装了必要的库和工具。你可以使用以下命令安装所需的库：

pip install torch torchvision
pip install numpy
pip install pandas
pip install matplotlib
pip install opencv-python
pip install pyyaml
pip install ultralytics

2. 数据集准备

假设你的数据集目录结构如下：

construction_dust_detection_dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── construction_dust.yaml

每个图像文件和对应的标签文件都以相同的文件名命名，例如 0001.jpg 和 0001.txt。

3. 创建数据集配置文件

你已经有一个 construction_dust.yaml 文件，内容如下：

train: ../construction_dust_detection_dataset/images/train
val: ../construction_dust_detection_dataset/images/val

nc: 1
names: ['dust']

4. 数据集划分

确保你的数据集已经按照8:2的比例划分成训练集和验证集。如果没有，可以使用以下Python脚本进行划分：

import os
import random
import shutil

# 数据集路径
dataset_dir = 'construction_dust_detection_dataset'
images_dir = os.path.join(dataset_dir, 'images')
labels_dir = os.path.join(dataset_dir, 'labels')

# 创建训练集和验证集目录
train_images_dir = os.path.join(images_dir, 'train')
val_images_dir = os.path.join(images_dir, 'val')
train_labels_dir = os.path.join(labels_dir, 'train')
val_labels_dir = os.path.join(labels_dir, 'val')

os.makedirs(train_images_dir, exist_ok=True)
os.makedirs(val_images_dir, exist_ok=True)
os.makedirs(train_labels_dir, exist_ok=True)
os.makedirs(val_labels_dir, exist_ok=True)

# 获取所有图像文件
all_images = [f for f in os.listdir(images_dir) if f.endswith('.jpg')]
random.shuffle(all_images)

# 划分训练集和验证集
train_ratio = 0.8
train_size = int(len(all_images) * train_ratio)
train_images = all_images[:train_size]
val_images = all_images[train_size:]

# 移动文件
for image in train_images:
    label = image.replace('.jpg', '.txt')
    shutil.move(os.path.join(images_dir, image), os.path.join(train_images_dir, image))
    shutil.move(os.path.join(labels_dir, label), os.path.join(train_labels_dir, label))

for image in val_images:
    label = image.replace('.jpg', '.txt')
    shutil.move(os.path.join(images_dir, image), os.path.join(val_images_dir, image))
    shutil.move(os.path.join(labels_dir, label), os.path.join(val_labels_dir, label))

5. 安装YOLOv8

克隆YOLOv8仓库并安装依赖项：

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .

6. 训练模型

使用YOLOv8的训练脚本进行训练。确保你已经在 construction_dust.yaml 中指定了正确的路径。

yolo task=detect mode=train model=yolov8n.yaml data=construction_dust.yaml epochs=100 imgsz=640 batch=16

7. 评估模型

训练完成后，可以使用YOLOv8的评估脚本来评估模型在验证集上的性能。

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=construction_dust.yaml

8. 可视化预测结果

使用以下Python代码来可视化模型的预测结果。

import torch
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/detect/train/weights/best.pt')

# 读取图像
image_path = 'construction_dust_detection_dataset/images/val/0001.jpg'
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 进行预测
results = model(image)

# 绘制预测结果
results.print()
results.show()

9. 模型优化

为了进一步优化模型，可以尝试以下方法：

• 调整超参数：使用不同的学习率、批量大小、权重衰减等。
• 使用预训练模型：使用预训练的YOLOv8模型作为初始化权重。
• 增加数据量：通过数据增强或收集更多数据来增加训练集的多样性。
• 模型融合：使用多个模型进行集成学习，提高预测的准确性。

10. 代码示例

以下是一个完整的代码示例，展示了如何从头开始训练和评估YOLOv8模型。

训练脚本

# 克隆YOLOv8仓库
git clone https://github.com/ultralytics/ultralytics
cd ultralytics

# 安装依赖项
pip install -e .

# 训练模型
yolo task=detect mode=train model=yolov8n.yaml data=construction_dust.yaml epochs=100 imgsz=640 batch=16

评估脚本

# 评估模型
yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=construction_dust.yaml

可视化脚本

import torch
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/detect/train/weights/best.pt')

# 读取图像
image_path = 'construction_dust_detection_dataset/images/val/0001.jpg'
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 进行预测
results = model(image)

# 绘制预测结果
results.print()
results.show()

11. 总结

通过以上步骤，你可以成功地使用YOLOv8模型对工地扬尘检测的数据集进行训练、评估和可视化。如果你有任何问题或需要进一步的帮助，请随时告诉我。](https://i-blog.csdnimg.cn/direct/f2ef52230eaf4745a6e8b44f424ef929.png)