【0基础秒入门】YOLOv12: 实时物体检测的开源项目教程

1. 项目介绍

YOLOv12 是一个基于注意力机制的实时物体检测框架，它旨在结合 CNN 的速度和注意力机制的性能优势。YOLOv12 在保持较高检测准确度的同时，提供了与 CNN 基础模型相媲美的速度。该项目适用于需要快速、准确进行物体检测的应用场景。

2. 项目快速启动

环境准备

首先，确保您的系统中已安装以下依赖项：

• Python 3.11
• Conda
• pip

安装步骤

1. 克隆项目仓库：

   git clone https://github.com/sunsmarterjie/yolov12.git
   cd yolov12
   

2. 创建并激活 conda 环境：

   conda create -n yolov12 python=3.11
   conda activate yolov12
   

3. 安装项目依赖：

   pip install -r requirements.txt
   pip install -e .
   

模型验证

验证模型性能，可以使用以下命令：

from ultralytics import YOLO
model = YOLO('yolov12{n/s/m/l/x}.pt')
model.val(data='coco.yaml', save_json=True)

模型训练

训练自定义数据集，可以执行以下代码：

from ultralytics import YOLO
model = YOLO('yolov12n.yaml')
results = model.train(data='coco.yaml', epochs=600, batch=256, imgsz=640, scale=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.1, device="0,1,2,3")

模型预测

对图像进行物体检测，可以使用以下代码：

from ultralytics import YOLO
model = YOLO('yolov12{n/s/m/l/x}.pt')
results = model.predict(path="path/to/image.jpg")
results[0].show()

模型导出

将模型导出为引擎格式，可以执行以下代码：

from ultralytics import YOLO
model = YOLO('yolov12{n/s/m/l/x}.pt')
model.export(format="engine", half=True)

3. 应用案例和最佳实践

实时物体检测

在实时视频流中应用 YOLOv12 进行物体检测，可以参考以下实践：

• 使用 OpenCV 获取视频流
• 将视频帧输入到 YOLOv12 模型进行预测
• 显示预测结果

自定义数据集训练

为了在特定场景下进行物体检测，您可以按照以下步骤训练自定义数据集：

• 收集并标注数据集
• 准备数据集的配置文件
• 使用 ultralytics 的 train 方法训练模型

4. 典型生态项目

• YOLOv12-turbo: 一个更快的 YOLOv12 版本，提高了速度和效率。
• TensorRT-YOLO: 用于加速 YOLOv12 的 TensorRT CPP 推断代码和 Google Colab 笔记本。
• Android 部署: 将 YOLOv12 部署到 Android 设备上的示例。

以上内容为您提供了 YOLOv12 的基础使用教程，希望能帮助您快速上手该项目。