09-自定义物体训练：专属抓取物体数据集训练落地

自定义物体训练：专属抓取物体数据集训练落地作者：黒漂技术佬场景：无人售货柜专属商品检测、智慧农业特定品种果蔬识别、工控产线非标零件分拣一、通用模型为什么不够用？你从GitHub上下载一个YOLOv8预训练模型，它能识别80类常见物体（COCO数据集）。但你让它识别"售货柜里第三排那个小瓶装的山楂汁"——它一脸懵。这就是为什么需要自定义训练：你的业务场景里那些奇形怪状的专属物体，通用模型根本不认识。打个比方：通用模型是"认识猫狗汽车人"的大学生，你要它去认"某品牌限定款气泡水"，得从头教。二、数据采集：先有粮草才好打仗训练效果70%取决于数据质量。垃圾进，垃圾出（Garbage In, Garbage Out），模型再牛也救不了烂数据。采集原则：三多多角度：正俯视、斜45度、侧面——覆盖机械臂摄像头实际可能看到的所有视角多光照：白天自然光、柜内LED灯、背光逆光——售货柜补光灯角度不同，反射完全不一样多背景：空货架、有其他商品遮挡、反光玻璃面——真实场景的复杂度importcv2importosclassDataCollector:def__init__(self,save_dir="dataset/raw",max_per_class=500):self.save_dir=save_dir self.max_per_class=max_per_class self.count=0os.makedirs(save_dir,exist_ok=True)defcapture_loop(self,cap):"""自动采集脚本：按不同角度/光照循环拍摄"""print("开始采集，按q退出，按s保存当前帧")whileself.countself.max_per_class:ret,frame=cap.read()ifnotret:breakcv2.imshow("Capture",frame)key=cv2.waitKey(1)0xFFifkey==ord('s'):fname=f"{self.save_dir}/img_{self.count:04d}.jpg"cv2.imwrite(fname,frame)print(f"保存:{fname}({self.count+1}/{self.max_per_class})")self.count+=1elifkey==ord('q'):breakdefauto_capture_with_augment(cap,collector):"""自动采集+自动角度提示"""angles=["正俯视","左斜45度","右斜45度","侧面"]forangleinangles:print(f"请将摄像头调整为:{angle}")foriinrange(125):# 每个角度125张ret,frame=cap.read()ifret:fname=f"{collector.save_dir}/{angle}_{i:03d}.jpg"cv2.imwrite(fname,frame)cv2.waitKey(50)print(f"{angle}完成")数量建议：每类物体至少300500张，复杂场景建议8001000张。不是越多越好，而是覆盖度要够。500张相同角度相同光照的照片，不如200张多角度多光照的。三、标注：用LabelImg画框数据采完了，现在要告诉模型"图片里哪个是目标"——这就是标注（Annotation）。LabelImg操作流程# 安装pipinstalllabelImg# 启动（在数据集目录下）labelImg操作步骤：Open Dir → 选择图片目录Change Save Dir → 选择标注输出目录设定YOLO格式输出（左侧菜单选 YOLO）快捷键w画框 → 框住目标 → 输入类别名快捷键d下一张类别文件YOLO格式需要.classes文件定义类别：defgenerate_classes_file(classes,filepath