本项目使用 YOLOv8 目标检测模型对鸡蛋状态进行分类，主要类别包括：
- 正常鸡蛋
- 死胎鸡蛋
- 无精鸡蛋
模型基于自定义数据集进行训练，并应用 微调技术 以优化性能。
- 数据集拆分：自动将图像划分为训练集、验证集和测试集。
- 模型训练：利用超参数微调 YOLOv8 模型。
- 模型评估：使用标准目标检测指标评估模型性能。
- 实时推理：在视频流上进行实时检测。
请确保您的 Python 环境已安装以下依赖项：
pip install ultralytics opencv-python torch torchvision numpy scikit-learn- 按以下结构组织图像和标签：
dataset/ ├── images/ │ ├── egg1.jpg │ ├── egg2.jpg │ └── ... ├── labels/ │ ├── egg1.txt │ ├── egg2.txt │ └── ... - 运行数据集拆分函数：
split_dataset('dataset/images', 'dataset/labels', 'dataset_split')
使用微调技术训练 YOLOv8 模型：
train_yolov8(model_type='yolov8s', data_yaml='data.yaml', epochs=50, batch_size=8, lr=0.001, weight_decay=0.0005)评估训练好的模型：
evaluate_model(model_path='runs/train/exp/weights/best.pt', data_yaml='data.yaml')使用摄像头或视频文件进行实时检测：
real_time_inference(model_path='runs/train/exp/weights/best.pt', video_source=0)- 学习率调整：优化收敛稳定性。
- 权重衰减：防止过拟合。
- 优化器选择：使用 SGD 以增强泛化能力。
- 实现云端推理。
- 集成额外的鸡蛋质量检测指标。
Yubo Liu