通用yolo模型 aiwork平台提供了通用yolov5插件,可以自行下载开源训练库或者把你已经训练好的yolov5模型转成.tflite格式即可使用
调用案例:
复制var yolo=new yoloV5();
//可以自己配置是否gpu加速和int8量化
yolo.loadTFMode("/插件/fp16_320.tflite","/插件/YoloV5.txt",320,false,false,false);
//或者简写
//yolo.loadTFMode("/插件/fp16_320.tflite","/插件/YoloV5.txt",640);
//本地图片识别
var img=new image().readToBitmap(project.getPluginsPath()+"/2.png");
//截图识别
// var img=screen.screenShotFull();
var result=yolo.detectTFlite(img);
printl(result);如何训练yolo 可以直接使用tf训练后直接打包tflite 参考地址： https://github.com/yyccR/yolov5_in_tf2_keras 或者使用pytorch训练完以后再用模型量化转换工具转成tflite格式 参开地址： https://gitee.com/song-laogou/yolov5-mask-42
第一步：准备 Python 环境 >星期一,2024年9月9日11...360压缩ZIP文件
星期二,2024年8月6日16..Y0L0文件
星期五,2024年7月12日1..文件夹
星期五,2024年7月12日1..文件夹
星期五,2024年7月12日1..文件夹
三,2020年9月23日1..应用程序扩
星期五,2024年7月12日1..1文件
星期三,2020年9月23日1...
星期三,2020年8月5日11...RST文件
星期三,2020年9月23日1..应用程序扩展
期三,2020年9月23日1..应用程序扩展
星期五2024年7月12日1..文件夹
星期三,2020年9月23日1.文本文档
星期三,2020年9月23日1..文本文档
星期二,2024年8月6日16..文件夹
星期二,2024年8月6日16..文件夹
星期五2024年7月12日1..文件夹
星期三,2020年9月23日1...应用程序扩展
期五,2024年7月12日1..文件
VCRUNTIME14O.DLL
星期三,2020年9月23日1..应用程序
星期五2024年7月12日1..文件夹
VCRUNTIME1401.DLL
PYTHON38.ZIP
2,753,846KB
PYTHON.EXE
应用程序
README.RST
DATA.YOLO
PYTHONW.EXE
PYTHON38.DLLL
PYTHON3.DL
99KB
LICENSE.TXT
SCRIPTS
修改日期
,108KB
NEWS.TXT
100KB
3KB
INCLUDE
58KB
32KB
1KB
97KB
44KB
903KB
TOOLS
LIBS
0.23.1
名称
TCL
DOC
1KB
类型
DLL
SHARE
IB
人刀
2 安装依赖库 ○ 打开命令提示符（CMD），进入 Python 解压目录，运行以下命令安装必要的依赖库： ○ 如果没有 requirements.txt ，可以手动安装常见库，如 numpy , torch , opencv-python 等。
第二步：准备训练数据 7,1016,BSOPF118,641,3BUTET4
INVM356,885,3DJFAD556,891,3
小
DFYWS129,8213
DBHKD602.791,
,3BWGUH12,1046,
DDLGZ485,1131
BZVJG579,2293
DERSX589.547.3
31,23.PNG
31,23.PNG
BWXAT467,5933
1,23.PNG
DZDKR305,2293
31.23.PNG
DXYZP3488403
1,23.PNG
AWNJS2683953
DYPUM186,163
31,23.PNG
1,23.PNG
1,23.PNG
1,23.PNG
ANSCOREIMAGESTRALR
1,23.PNG
11,6003
APJED21,709.31,
1,23.PNG
AMGYZ309,266,
ECGKI654788.3
DZODP477.243
31,23.PNG
31,23.PNG
AEOHM296,359
AMYTN3911169
31,23.PNG
31,23.PNG
,23.PNG
AOZHI395,2133
ECNWW230673
31,23.PNG
1,23.PNG
6.312.31
1,23.PNG
123.PNG
23.PNG
31,23.PNG
1,23.PNG
PNG
0.031.2
1,23.PNG
PNG
NG
PNG
1 整理训练图片 ○ 将需要训练的图片文件复制到 AI Work 根目录下的 ai 文件夹中。例如： 2 准备标签文件 ABQYA603,1183,31,23.T
AMGYZ309,26631,23.TXT
CFMOS697,51731,23.TXT
BWGUH12,1046,31,23.TT
CKGCA416,65131,23.TXT
AWNJS268395,31,23.TXT
BHEVH435346,31,23.TXT
1AOZHI395,213,31,23TXT
2025-4-179:43
DABET4449731,23.TXT
BGGY375,294.31,23.TBT
2025-4-179:43
GJGMK655,262,31,23.TBX
AEOHM296,35931,23.TXT
AZCIM472,234.31,23.TX
AMYTN391,1169.31,23.TXT
2025-4-179:42
BRJSN333422.31,23.TXT
2025-4-179:43
SCORE>LABELS>TRAI
BKAXLY204,269,31,23.TT
BQKTE290.79931.23.TXT
ACBBT532,59131,23.TT
BUTET410,10693123.TXT
APJED21,70931,23.TXT
2025-4-179:42
2025-4-179:43
DALYH711,60031,23.TXT
DBHKD602,7913123.TXT
COSRX586,682,31,23.TXT
BWXAT467,593.31,23.TXT
BSOPF118,641,31,23.TXT
BRVVG257,1016.31,23.TX
BZJG579.22931,23.TXT
AZRPN117,835,31,23.TXT
ACEFK290.031,23.TXT
2025-4-179:43
2025-4-179:43
PIDEAUTOAPPWPF>AUTOAPP>A
CCWGZ301,47.31,23.TBXT
2025-4-179:43
2025-4-179:43
2025-4-179:43
2025-4-179:43
2025-4-179:43
2025-4-179:43
APP>AUTOAPP>BIN>DEBU
2025-4-179:43
文本文档
2025-4-179:43
2025-4-179:43
2025-4-179:43
2025-4-179:43
025-4-179:43
(
>MYAIWORK>
2025-4-179:43
2025-4-179:43
2025-4-179:43
本文档
文本文档
修改日期
2025-4-179:43
本文档
文本文档
2025-4-179:43
2025-4-179:42
文本文档
文本文档
2025-4-179:42
文本文档
文本文档
文本文档
2025-4-179:42
1KB
2025-4-179:43
2025-4-179:42
文本文档
1KB
文本文档
文本文档
1KB
文本文档
文本文档
文本文档
文本文档
文本文档
文本文档
文本文档
文本文档
1KB
文本文档
文本文档
类型
文本文档
文本文档
文本文档
文本文档
1KB
文本文档
1KB
1KB
本文档
文本文档
1KB
1KB
1KB
1KB
1KB
KB
1KB
1KB
1KB
1KB
1KB
1KB
大小
1KB
1KB
名称
1KB
1KB
1KB
1KB
1KB
KB
1KB
1KB
KB
○ 将标签文件（通常是 .txt 文件，每行对应一张图片的标签）放入对应的文件夹中。例如： ○ REIMAGES
BQZBK.PNG
AUTOAPPWPF
SHZOC.PNG
ZBNFA.PNG
AUTOAPP
>DEBUG
UTOAPP
AUTOAPP
MYAIWORK
BIN>
打开
电
APPIDE
业1
选择
组红
点
电
新建
二东
3CORE>IL
○ 确保标签文件的内容格式正确，通常为每行一个目标框的坐标和类别 ID。 3 创建验证集 2025-4-2615:01
AUTOAPPWPF
2025-4-2615:01
2025-4-2615:02
IBGZBK.TXT
LABELSVA
ZBNFA.TXT
AUTOAPP
>AUTOAPP>
SHZOC.TXT
MYAWORK>AU
IDE
修改日期
文本文档
文本文档
文本文档
>AUTOAPP>
DEBUG
1KB
AIPSCORE
1KB
选择
新建
1KB
名称
打开
类型
大小
组红
BIN>
人
○ 从训练集中随机抽取部分数据（如 10%-20%），复制到 val/ 文件夹中，并确保标签文件也一并复制。
第三步：配置训练参数 1 打开 AI Work 界面 ○ 启动 AI Work 应用程序，进入训练界面。 2 设置数据路径 ○ 在“数据设置”或“训练数据”选项中，配置训练集和验证集的路径： 3 设置分类信息 ○ 如果你有自定义的分类（如“猫”、“狗”等），在“分类设置”中添加对应的类别名称，并确保类别数量与标签文件中的 ID 一致。 ○ 如果没有特定分类，可以默认使用 AI Work 提供的分类。 4 调整训练参数 ○ 设置训练参数，如批次大小（batch size）、学习率（learning rate）、训练轮数（epochs）等。 ○ 如果不确定参数设置，可以先使用默认值。 5 保存配置文件 ○ 确保所有参数配置完成后，保存为配置文件（如 config.yaml 或 config.json ）。
第四步：启动训练
这单随便截图日的是为了创建对应分关
模型名和要填写
分类顺序不能错
这里打钩
点开始即可
:H
YTHON383PYTHON38PYTHON.EX
1744854087JPG
1745649806JPG
5832914830
606,2331,23
数据增强:300
循环轮数:10
结果坐标范围:0.01
PYTHON环境路径:
训练自定义数据:
BEST最优
1745649806JPG
模型名称:
407463,7934
单批次数量:10
LAST最后
训练设置
得分大于:0.4
图片地址
区域坐标
训练日志
数设置
分类损失:
(100%)
开始训练
:CLOSE
选择
目标损失:
分卖
(0%)
-0.2
04
0.2
1 进入训练界面 ○ 在 AI Work 中找到“开始训练”或“启动训练”按钮，点击即可开始训练。 2 监控训练过程 ○ 训练过程中，AI Work 会显示实时的损失值（loss）、准确率（accuracy）等指标。 ○ 如果发现损失值异常或训练效果不好，可以暂停训练，调整参数后重新开始。 3 保存训练模型 ○ 训练完成后，AI Work 会自动生成训练好的模型文件（如 .pth 或 .onnx 文件），通常保存在根目录的 models/ 文件夹中。
第五步：验证和优化 1 验证模型效果 ○ 使用验证集或新的测试数据，验证模型的准确率和性能。 ○ 如果效果不理想，可以调整训练参数（如学习率、批次大小）或增加训练数据。 2 导出模型 ○ 如果需要，可以将训练好的模型导出为其他格式（如 .onnx 或 .tflite ），以便在其他设备上部署。
注意事项 1 数据格式 ○ 确保图片和标签文件的格式与 AI Work 支持的格式一致（如 .jpg 和 .txt ）。 2 文件夹结构 ○ 保持清晰的文件夹结构，避免数据混乱。 3 训练参数 ○ 如果训练时间过长或效果不佳，可以尝试调整学习率或增加训练轮数。
>MYAIWORK>
YTHON383PYTHON38PYTHON.EX
收藏
