YOLOv8目标检测与Flask Web应用

本项目展示了如何结合 YOLOv8 和 Flask 创建一个简单的目标检测Web应用。用户可以通过网页上传图片，系统会对图片进行目标检测，并返回检测结果（标注框和类别）。

功能

• 用户可以通过网页上传图片。
• 使用 YOLOv8 模型进行目标检测。
• 返回标注了检测结果的图片，并展示在网页上。
• 支持图片的下载功能。

环境要求

• Python 3.x
• Flask
• PyTorch
• YOLOv8 模型（预训练模型）

安装步骤

第一步：克隆仓库

将本项目克隆到本地：

git clone https://github.com/YRhappyer/yolov8_flask.git

第二步：创建虚拟环境

为了避免依赖冲突，建议创建虚拟环境：

python -m venv venv

激活虚拟环境：

• Windows：

  .\venv\Scripts\activate

• Linux/macOS：

  source venv/bin/activate

第三步：安装依赖

在虚拟环境中安装项目所需的依赖库：

pip install -r requirements.txt

requirements.txt 文件包含了所有必要的依赖库，例如 Flask、torch、ultralytics 等。

第四步：下载 YOLOv8 模型

确保你已经下载了 YOLOv8 模型文件（如 yolov8n.pt），并将其放置在项目根目录下。你可以从 Ultralytics 官方仓库 下载预训练模型，或者使用自己的训练模型。

第五步：运行项目

在终端中运行以下命令启动 Flask 应用：

python app.py

Flask 会启动一个本地服务器，你可以在浏览器中通过 http://127.0.0.1:5000 访问。

第六步：使用应用

1. 打开浏览器，进入 http://127.0.0.1:5000。
2. 上传图片（支持 JPG、PNG 等格式）。
3. 系统会对图片进行检测，并在结果图片上标注检测框和类别。

项目结构

项目包含以下主要文件和文件夹：

yolov8_flask/
├── app.py              # Flask 主应用文件
├── requirements.txt    # 依赖库文件
├── templates/          # HTML 模板文件
├── static/             # 静态资源（如 CSS、JS 和检测结果图片）
└── uploads/            # 用户上传和处理后的图片

使用的模型

本项目使用的是 YOLOv8 模型来进行目标检测。YOLO（You Only Look Once）是一种实时目标检测的先进技术。本项目使用的是预训练的 YOLOv8n.pt 模型（轻量化版本）。

如果需要使用自定义模型，可以替换为自己训练的 .pt 文件。

许可证

本项目使用 MIT 许可证。详见 LICENSE 文件。

鸣谢

• YOLOv8 模型由 Ultralytics 开发。
• Flask 是一个轻量级的 Python Web 框架，适合快速构建 Web 应用。
• 特别感谢所有开源工具的支持！

感悟

• 作为一名大学生，我常常在迷茫与困惑中挣扎，彷佛前路漫漫。然而， 正是这些经历，伴随着一段段不懈的摸索，我才渐渐地走到了今天。第一次提交项目的我是激动的，虽然这些都是最基础的内容，也足以令我欢欣雀跃。 希望未来的我能够一直在这条路上走下去，但无论结果如何，至少我勇敢地尝试过，留下过属于自己的脚印，在这漫漫长路上，余虽愚，卒获有所闻。

---

如果您发现了问题或者有建议，可联系邮箱 [email protected] ！