數據集地址

該圖像數據集是 通過一個特色的渠道獲取了數據集，然后一通處理以后得到的數據，其中一張圖的一部分顯示如下（因為保密）：。

整個數據集有100張圖像，但是每張圖像上的對象實在太多了，每辦法，花了兩天的時候，標注了其中65張圖像，60張作為訓練集、5張做為測試集。算是完成了數據標注工作。

模型訓練

準備好數據集以后，直接按下面的命令行運行即可：

yolotrainmodel=yolov8s.ptdata=sperm_dataset.yamlepochs=50imgsz=1280batch=8

導出與測試

模型導出與測試

yolo export model=sperm50_640_best.pt format=onnx
yolo predict model=sperm50_640_best.pt source=.sperm_test

部署推理

轉成ONNX格式文件以后，基于OpenVINO-Python部署推理，相關代碼如下

ie=Core()
fordeviceinie.available_devices:
print(device)

#ReadIR
model=ie.read_model(model="sperm_best.onnx")
compiled_model=ie.compile_model(model=model,device_name="CPU")
output_layer=compiled_model.output(0)

frame=cv.imread("D:/1.jpg")
bgr=format_yolov8(frame)
img_h,img_w,img_c=bgr.shape

start=time.time()
image=cv.dnn.blobFromImage(bgr,1/255.0,(640,640),swapRB=True,crop=False)

res=compiled_model([image])[output_layer]#1x84x8400
rows=np.squeeze(res,0).T
class_ids=[]
confidences=[]
boxes=[]
x_factor=img_w/640
y_factor=img_h/640

forrinrange(rows.shape[0]):
row=rows[r]
classes_scores=row[4:]
_,_,_,max_indx=cv.minMaxLoc(classes_scores)
class_id=max_indx[1]
if(classes_scores[class_id]>.25):
confidences.append(classes_scores[class_id])
class_ids.append(class_id)
x,y,w,h=row[0].item(),row[1].item(),row[2].item(),row[3].item()
left=int((x-0.5*w)*x_factor)
top=int((y-0.5*h)*y_factor)
width=int(w*x_factor)
height=int(h*y_factor)
box=np.array([left,top,width,height])
boxes.append(box)

indexes=cv.dnn.NMSBoxes(boxes,confidences,0.25,0.45)
forindexinindexes:
box=boxes[index]
color=colors[int(class_ids[index])%len(colors)]
rr=int((box[2]+box[3])/4)
cv.circle(frame,(box[0]+int(box[2]/2),box[1]+int(box[3]/2)),rr-4,color,2)
cv.putText(frame,class_list[class_ids[index]],(box[0]+int(box[2]/2),box[1]+int(box[3]/2)),
cv.FONT_HERSHEY_SIMPLEX,.5,(0,0,0))
cv.putText(frame,"gloomyfish@2024",(20,45),cv.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)

cv.imshow("YOLOv8+OpenVINO2023SpermCount",frame)
cv.waitKey(0)
cv.destroyAllWindows()

審核編輯：劉清