导语
毕设的题目与Yolo系列的图像识别相关，通过搜查了很多资料和实践最后完成，看到某些平台上居然卖300+，觉得很离谱，所以决定把代码开源，解决毕业生们的燃眉之急。给出的原码经过测试在本机上无论是Yolov5还是Yolov8都能运行，以及v5和v8的区别不大，只需要改一两行模型的调用即可，因此只用一个代码块来表述。
本机配置
需要注意的是，对于模型的训练和预测使用，我个人还是建议去租卡跑，也不算很贵，一小时大概几毛钱，我的数据量约为5k，跑六七个小时大概就能跑完了，但是单纯的调用模型就不用考虑这么多了
硬件
环境配置
在训练模型的时候一定要考虑显卡的驱动版本和CUDA版本之间的对应关系，Yolov8的CUDA版本要求较高，导致对应的驱动版本也要求较高，然后Yolov5的CUDA版本和驱动版本之间的对应关系也和Yolov8重合的不是很多，在调用和使用的时候如果对应关系有问题可能会导致结果有问题。
前端实现
这里只给出效果图，由于代码和所用的素材较多，因此将原码上传到github，代码都写上了注释，应该阅读起来不是很费劲，其中涉及到html和js的部分请自学。
后端实现
代码很简单，但是需要自学一下Flask的基本用法和如何通过前端来调用，详细解释都在代码注释里了，看不懂可以在评论区问，使用的时候要先启动后端，确保后端一直运行，才能开始进行前端的操作。
import os
import numpy as np
import torch.hub
from ultralytics import YOLO#导入Yolov8，需要提前安装ultralytics库
from flask import request#运用Python的flask类实现与前台信息的交互
from flask import Flask
from flask import send_file
import base64
import cv2
import time
model = YOLO('./best.pt')#调用
app=Flask(__name__)
@app.route('/request', methods=['GET', 'POST'])
def uploads():
#clock1 = time.time()
img = request.files.get('img')#拿到变量img对应的图片
name = 'img.jpg'#重命名
img.save(os.path.join('./img', name))#保存
#print(time.time() - clock1)
#clock1=time.time()
model.predict('./img',save=True,device=0)#调用模型进行判断
#print(time.time()-clock1)
return 'success'
@app.route('/get', methods=['GET', 'POST'])
def download():#实现前端的功能，具体看前端代码
print("working")
return send_file('./runs/detect/predict/img.jpg')#将识别结果返回
#这里给出的是默认的路径，
# 因为Yolo默认会生成对应的文件夹
# 按间距中的绿色按钮以运行脚本。
if __name__ == '__main__':
model = YOLO('./best.pt')#直接调用训练好的模型
# app.run(host='localhost',port=8080,debug=True)#本机上运行
app.run(host='192.168.225.149',debug=True)#局域网实现，
#需要确保手机和电脑在同一局域网内
总结
有问题可以直接在评论区里问，博客经常在线。
参考文献
- 黑马程序员前端微信小程序开发教程
- 微信开放文档
- 《Python编程：从入门到实践》
- 其他
