python练习/YOLOv8/深度学习阶段学习报告

最新推荐文章于 2026-08-18 22:00:42 发布

原创最新推荐文章于 2026-08-18 22:00:42 发布 · 570 阅读

21 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

本阶段核心目标

大幅度提升对python的使用，搭建 YOLOv8 本地开发环境，解决依赖安装与模型加载问题，实现图片目标检测，并且开始启动模型训练。

进度总结

1. 已完成任务

课程结尾：卷积神经网络

图像分割实践：语义分割.UNet.DeepLab.MaskR-CNN

YOLO目标检测：掌握YOLO系列（v10/v9/v8/v7)

python使用练习：在哔哩哔哩中python小部落中跟随视频"python入门编程100例“完成许多python入门编程必刷训练。

环境搭建：使用 Conda 创建虚拟环境 yolo_env，安装 Python 3.8、PyTorch、OpenCV、NumPy 等依赖库。

依赖安装：通过配置清华源（-i https://pypi.tuna.tsinghua.edu.cn/simple）解决 pip安装超时问题，成功安装 ultralytics库。

模型调试：解决 PytorchStreamReader failed reading zip archive错误（模型文件下载不完整），通过手动下载 yolov8n.pt并放入项目目录解决。

基础推理：编写 Python 脚本，成功加载 YOLOv8n 模型，对示例图片（bus.jpg）进行目标检测并可视化结果。

本地测试：将推理代码适配至本地图片，成功检测出个人图片中的物体，并保存结果图。

2. 遇到的问题与解决方案

（1）问题：模型文件 yolov8n.pt下载不完整，报错 zip archive解析失败

解决方法：删除损坏文件，从 GitHub Releases 手动下载完整模型文件

（2）问题：PyCharm 中运行时环境路径配置错误

解决方法：在 PyCharm 中手动设置 Python 解释器为 yolo_env环境

3.在网上寻找并已经尝试复现的代码示例

1. 图片检测

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")

# 检测本地图片
results = model("1111.jpg")

# 保存结果
results[0].save("11111.jpg")
print("检测完成！结果保存为 11111.jpg")

2. Python实现学生成绩的排序

功能：创建一个学生成绩列表，按总分从高到低排序。
def sort_student_scores():
# 示例数据：学生姓名和成绩（语文、数学、英语）
students = [
{"name": "张三", "scores": [85, 90, 78]},
{"name": "李四", "scores": [92, 88, 95]},
{"name": "王五", "scores": [76, 85, 80]}
]

# 计算每个学生的总分
for student in students:
student["total"] = sum(student["scores"])

# 按总分从高到低排序
students_sorted = sorted(students, key=lambda x: x["total"], reverse=True)

print("学生成绩按总分从高到低排序：")
for student in students_sorted:
print(f"{student['name']}: 总分{student['total']}, 各科{student['scores']}")

# 调用函数
sort_student_scores()

3.Python读取成绩文件实现排序

功能：从一个文本文件中读取学生成绩，按总分排序后输出。

# 12. Python读取成绩文件实现排序
def read_and_sort_scores_from_file(filename="scores.txt"):
try:
with open(filename, "r", encoding="utf-8") as f:
lines = f.readlines()

students = []
for line in lines:
parts = line.strip().split(",")
if len(parts) >= 4: # 姓名,语文,数学,英语
name = parts[0]
scores = list(map(int, parts[1:]))
students.append({"name": name, "scores": scores, "total": sum(scores)})

# 按总分排序
students_sorted = sorted(students, key=lambda x: x["total"], reverse=True)

print(f"\n从文件 {filename} 读取并排序后的成绩：")
for student in students_sorted:
print(f"{student['name']}: 总分{student['total']}, 各科{student['scores']}")

except FileNotFoundError:
print(f"文件 {filename} 不存在，请先创建该文件。")

# 调用函数（需要先创建 scores.txt 文件）
# read_and_sort_scores_from_file()

4.统计英语文章出现最多的单词数目

功能：读取一篇英文文章，统计每个单词出现的次数，找出出现次数最多的单词。

Python统计英语文章出现最多的单词数目
import re
from collections import Counter

def count_most_frequent_word(filename="article.txt"):
try:
with open(filename, "r", encoding="utf-8") as f:
content = f.read().lower() # 转为小写

# 使用正则提取单词（忽略标点和数字）
words = re.findall(r'\b[a-zA-Z]+\b', content)

# 统计词频
word_count = Counter(words)

# 找出出现次数最多的单词
most_common = word_count.most_common(1) # 返回前1个

print(f"\n从文件 {filename} 统计出的出现最多的单词：")
if most_common:
word, count = most_common[0]
print(f"单词 '{word}' 出现了 {count} 次")
else:
print("未找到有效单词")

except FileNotFoundError:
print(f"文件 {filename} 不存在，请先创建该文件。")

调用函数
count_most_frequent_word()

5.框选图片中人物

加载预训练的 YOLOv8 模型
model = YOLO('yolov8n.pt')

加载图片

image_path = 'E:\PythonProject1\.venv'
image = cv2.imread(image_path)

# 3. 执行目标检测
# conf=0.5 表示只保留置信度大于 50% 的检测结果
results = model(image, conf=0.5)

# 4. 遍历检测结果并绘制边界框
for result in results:
boxes = result.boxes
for box in boxes:
# 获取边界框坐标 (x1, y1, x2, y2)
x1, y1, x2, y2 = map(int, box.xyxy[0])

# 获取置信度
conf = box.conf[0]

# 绘制矩形框 (绿色，线宽 2)
cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 在框上方添加置信度标签
label = f"Person {conf:.2f}"
cv2.putText(image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

# 5. 保存或显示结果
output_path = '11people.jpg'
cv2.imwrite(output_path, image)
print(f"检测结果已保存至: { }")