该压缩包提供了一个基于YOLOv8的布匹缺陷识别系统的完整源代码，包括详细的部署教程、预训练模型和性能评估图表。
基于YOLOv8的布匹缺陷识别检测系统源码（部署教程+训练好的模型+各项评估指标曲线）.zip
平均识别率：0.97 类别：污渍、破洞
### 资源介绍：
1、ultralytics-main 是 YOLOv8 的源代码，包括分类、目标检测、姿态估计和图像分割四部分的代码。我们使用的是 detect 部分的目标检测代码。
2、搭建环境
- 安装 Anaconda 和 PyCharm（适用于 Windows 系统、macOS 系统及 Linux 系统）
- 在 Anaconda 中创建一个新的虚拟空间，命令如下：
```
conda create -n YOLOv8 python==3.8
source activate YOLOv8
pip install -r requirements.txt # 使用清华源安装更快
3、训练模型过程
进入到 \ultralytics-main\ultralytics\yolo\v8\detect 文件夹下，datasets 是需要准备好的数据集文件夹。data 文件夹下的 bicycle.yaml 文件是数据集配置文件（用于自行车检测），其他模型训练时可以自行创建。
- 修改 train.py 中的 238 行为：
```
data = cfg.data or ./bicycle.yaml
```
- 修改 237 行，使用自己拥有的预训练模型
- 如果有显卡，修改 239 行如：我有四张显卡，则设置为 `args = dict(model=model, data=data, device=”0,1,2,3“)`
以上配置完成后运行 train.py 开始训练模型。训练完毕后会在 runs/detect/ 文件夹下生成 train* 文件夹，包含模型和评估指标等。
4、推理测试
- 训练好模型后打开 predict.py 修改 87 行为：
```
model = cfg.model or yolov8n.pt
```
将 yolov8n.pt 替换为你刚才训练完的模型路径（在 \ultralytics-main\ultralytics\yolo\v8\detect\runs\detect 文件夹下）。
- 待测试图片或视频存放于 ultralytics\assets 文件夹，运行 predict.py 即可。检测结果会在 runs/detect/train文件夹生成。
5星
