![image.png](https://developer.qcloudimg.com/http-save/yehe-12490569/aeb20d6ca85a8b0816fe342ed37d6f8d.png)
```


```
无人机视角葡萄早期发育阶段计数，葡萄串的数量为葡萄种植者提供了有关潜在收获产量的相关信息。![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/4d998a3768c1f85f8ca1106082851e0e.png)
```
  然而，在田间进行手工计数是费时费力的。配备RGB或多光谱摄像头的无人机，能够快速而准确地完成这项任务。
  该数据集包含15GB无人机拍摄图像与可见葡萄串的掩码标签。使用的RGB相机倾斜角为60度。每次飞行记录了葡萄园一行的一侧。葡萄浆果处于豌豆大小到串封闭阶段，即在收获前两个月拍摄。
```
以下是完整的代码示例，包括数据准备、模型训练和生成预测结果。
```
import os
import cv2
import numpy as np
from sklearn.model_selection import train_test_split
import shutil
from ultralytics import YOLO

# Define paths
data_path = 'path_to_your_dataset'
images_path = os.path.join(data_path, 'images')
masks_path = os.path.join(data_path, 'masks')
train_images_path = os.path.join(data_path, 'images', 'train')
train_labels_path = os.path.join(data_path, 'labels', 'train')
val_images_path = os.path.join(data_path, 'images', 'val')
val_labels_path = os.path.join(data_path, 'labels', 'val')

# Create directories if they don't exist
os.makedirs(train_images_path, exist_ok=True)
os.makedirs(train_labels_path, exist_ok=True)
os.makedirs(val_images_path, exist_ok=True)
os.makedirs(val_labels_path, exist_ok=True)

# Load masks and convert to bounding boxes
def load_masks_and_convert(masks_path):
    annotations = []
    for filename in os.listdir(masks_path):
        if filename.endswith('.png') or filename.endswith('.jpg'):
            mask_filename = filename
            image_filename = filename
            mask_path = os.path.join(masks_path, mask_filename)
            mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)
            contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
            bboxes = []
            for contour in contours:
                x, y, w, h = cv2.boundingRect(contour)
                bboxes.append([x, y, x + w, y + h])
            annotations.append({'image': image_filename, 'bboxes': bboxes})
    return annotations

annotations = load_masks_and_convert(masks_path)

# Split data into train and validation sets
train_annots, val_annots = train_test_split(annotations, test_size=0.2, random_state=42)

# Save images and annotations to respective folders
def save_data(annots, images_save_path, labels_save_path):
    for annot in annots:
        image_filename = annot['image']
        image_path = os.path.join(images_path, image_filename)
        shutil.copy(image_path, images_save_path)
        
        with open(os.path.join(labels_save_path, os.path.splitext(image_filename)[0] + '.txt'), 'w') as f:
            for bbox in annot['bboxes']:
                x_center = (bbox[0] + bbox[2]) / 2.0 / 1920  # Assuming image width is 1920
                y_center = (bbox[1] + bbox[3]) / 2.0 / 1080  # Assuming image height is 1080
                width = (bbox[2] - bbox[0]) / 1920  # Assuming image width is 1920
                height = (bbox[3] - bbox[1]) / 1080  # Assuming image height is 1080
                class_id = 0  # Only one class 'grape_cluster'
                f.write(f"{class_id} {x_center} {y_center} {width} {height}\n")

save_data(train_annots, train_images_path, train_labels_path)
save_data(val_annots, val_images_path, val_labels_path)

# Create dataset.yaml file for YOLOv8
dataset_yaml_content = """
train: ./images/train
val: ./images/val

nc: 1
names: ['grape_cluster']
"""

with open(os.path.join(data_path, 'dataset.yaml'), 'w') as f:
    f.write(dataset_yaml_content)

# Step 3: Train YOLOv8 Model
# Load a pre-trained YOLOv8 model
model = YOLO('yolov8n.pt')  # You can choose other sizes like yolov8s, yolov8m, yolov8l, yolov8x

# Modify the number of classes in the final layer
model.nc = 1

# Training command
results = model.train(
    data=os.path.join(data_path, 'dataset.yaml'),
    imgsz=640,
    epochs=50,
    batch=16,
    device='cuda' if torch.cuda.is_available() else 'cpu',
    cache=True
)

# Evaluate the model
metrics = model.val()

# Export the trained model
model.export(format='onnx')
```
### 运行脚本

在终端中运行以下命令来执行整个流程：
```
python main.py
```
### 总结

以上文档包含了从数据加载、预处理、模型构建到训练的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的无人机视角葡萄早期发育阶段计数系统。
### 自定义说明

1. **数据文件路径**: 修改 `data_path` 变量以指向你的数据文件。
2. **图像分辨率**: 根据你的实际图像分辨率调整 `x_center`, `y_center`, `width`, `height` 的计算公式。
3. **超参数调整**: 根据需要调整训练参数，如 `imgsz`, `epochs`, `batch` 等。
4. **模型选择**: 你可以选择不同的 YOLOv8 模型大小（`yolov8n`, `yolov8s`, `yolov8m`, `yolov8l`, `yolov8x`）以适应你的需求。

通过这些步骤，使用 YOLOv8 进行无人机视角葡萄早期发育阶段计数任务。
Markdown 3645 字数 133 行数 当前行 1, 当前列 0
HTML 3483 字数 97 段落

无人机视角葡萄早期发育阶段计数，葡萄串的数量为葡萄种植者提供了有关潜在收获产量的相关信息。

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集 葡萄数据集的应用

人工智能

利用无人机和YOLOv8模型实现葡萄早期发育阶段自动计数，通过60度倾斜角拍摄的RGB图像，快速准确统计葡萄串数量。代码包含数据预处理、模型训练和预测全流程，支持自定义图像分辨率和超参数调整，为葡萄产量预测提供高效解决方案。

代码解释

YOLO

2026上云采购 | AI焕新·智启新局

datainlong

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集 葡萄数据集的应用-腾讯云开发者社区-腾讯云

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集葡萄数据集的应用

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集葡萄数据集的应用

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集 葡萄数据集的应用

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集 葡萄数据集的应用

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集葡萄数据集的应用

使用 YOLOv8 来构建一个无人机视角葡萄早期发育阶段计数系统。数据准备、模型训练和生成预测结果。葡萄早期发育阶段计数数据集葡萄数据集的应用