救生衣检测模型YOLO8-300n提供训练好的模型文件pt格式、过程文件和验证图片带对应的训练数据集10000张1·111一、救生衣检测模型YOLOv8-300n完整方案1. 模型与数据集信息项目详情模型版本YOLOv8n300轮训练任务类型救生衣目标检测穿戴/未穿戴二分类数据集规模10000张图片含正例/负例、多场景、多角度训练轮次300 epochs核心指标从训练曲线看- 训练/验证loss持续下降并收敛- Precision/Recall/mAP50均稳定在95%以上- mAP50-95稳定在80%以上输出文件best.pt最优权重、last.pt最后一轮权重、训练日志、验证图片、loss曲线2. 数据集配置文件lifejacket.yaml# 救生衣检测数据集配置path:./lifejacket_dataset# 数据集根目录train:images/trainval:images/valtest:images/testnc:2# 类别数穿戴/未穿戴救生衣names:0:lifejacket_worn# 穿戴救生衣1:lifejacket_not_worn# 未穿戴救生衣3. 完整训练代码train_lifejacket.pyfromultralyticsimportYOLOdeftrain_lifejacket():# 加载YOLOv8n基础模型modelYOLO(yolov8n.pt)# 300轮训练参数适配救生衣检测场景resultsmodel.train(datalifejacket.yaml,epochs300,# 训练轮次和你图中一致imgsz640,# 输入图像尺寸batch16,# 批次大小可根据显卡调整device0,# 使用GPU训练无GPU则改为devicecpulr00.01,# 初始学习率lrf0.01,# 最终学习率warmup_epochs3,# 热身轮数cos_lrTrue,# 余弦退火学习率patience20,# 早停20轮无提升则停止saveTrue,# 保存模型save_period10,# 每10轮保存一次cacheTrue,# 缓存数据加速训练ampTrue,# 混合精度训练augmentTrue,# 数据增强适配户外/水域场景hsv_h0.015,# 色调增强hsv_s0.7,# 饱和度增强hsv_v0.4,# 亮度增强degrees15,# 随机旋转适配多角度拍摄perspective0.001,# 透视变换flipud0.2,# 上下翻转fliplr0.5,# 左右翻转mosaic1.0,# Mosaic增强mixup0.1,# Mixup增强namelifejacket_yolov8n_300e# 训练项目名称)# 训练完成后验证模型model.val()if__name____main__:train_lifejacket()4. 推理/验证代码predict_lifejacket.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最优模型modelYOLO(runs/detect/lifejacket_yolov8n_300e/weights/best.pt)defdetect_image(image_path,save_pathresult.jpg):# 单张图片检测resultsmodel(image_path,conf0.25)annotated_imgresults[0].plot()cv2.imwrite(save_path,annotated_img)cv2.imshow(Lifejacket Detection,annotated_img)cv2.waitKey(0)defdetect_video(video_path,save_pathresult.mp4):# 视频检测capcv2.VideoCapture(video_path)fpscap.get(cv2.CAP_PROP_FPS)widthint(cap.get(cv2.CAP_PROP_FRAME_WIDTH))heightint(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))outcv2.VideoWriter(save_path,cv2.VideoWriter_fourcc(*mp4v),fps,(width,height))whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.25)annotated_frameresults[0].plot()out.write(annotated_frame)cv2.imshow(Lifejacket Detection,annotated_frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()out.release()cv2.destroyAllWindows()if__name____main__:# 示例检测单张图片detect_image(test_lifejacket.jpg)5. 项目文件结构完整可交付lifejacket_yolov8_project/ ├── lifejacket.yaml # 数据集配置文件 ├── train_lifejacket.py # 训练代码 ├── predict_lifejacket.py # 推理代码 ├── yolov8n.pt # 基础预训练权重 ├── lifejacket_dataset/ # 10000张数据集YOLO格式 │ ├── images/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── runs/ └── detect/ └── lifejacket_yolov8n_300e/ ├── weights/ │ ├── best.pt # 最优模型权重 │ └── last.pt # 最后一轮模型权重 ├── results.png # 训练loss/指标曲线和你提供的图一致 ├── confusion_matrix.png # 混淆矩阵 ├── PR_curve.png # PR曲线 └── val_batch*.jpg # 验证集检测结果图片6. 运行说明安装依赖pipinstallultralytics opencv-python数据集准备将10000张图片和标注文件按images/labels/结构放入lifejacket_dataset确保lifejacket.yaml中的路径与实际一致开始训练python train_lifejacket.py使用训练好的模型python predict_lifejacket.py