基于 YOLOv8 实现快递盒实例分割（含代码）
这是一段基于 YOLOv8 实现快递盒实例分割的 Python 代码，核心功能：加载训练好的 YOLOv8 分割模型 → 对单张 / 批量图片预测快递盒 → 保存带分割标注的结果图。我会分模块 + 函数 + 核心逻辑一步步讲，完全零基础也能看懂。
效果对比图（关注私我领取源码和model.pt）
一、导入依赖库
python
运行
from ultralytics import YOLO # 导入YOLOv8官方库，核心模型功能 import cv2 # OpenCV，用于图片读写、绘制 import os # 系统文件操作（判断文件/文件夹、路径拼接） from pathlib import Path # 更简洁的文件夹创建工具ultralytics.YOLO：官方封装好的 YOLOv8，支持检测 / 分割 / 分类，一行代码加载模型、预测cv2：负责把预测后的图片保存到本地os/Path：处理文件路径、自动创建文件夹
二、函数 1：加载 YOLOv8 分割模型
python
运行
def load_yolov8_segment_model(model_path): """ 加载YOLOv8分割模型 Args: model_path: 模型权重文件路径（best.pt绝对路径） Returns: 加载成功的模型对象 """ try: # 加载模型 model = YOLO(model_path) print(f"✅ 模型加载成功：{model_path}") return model except Exception as e: print(f"❌ 模型加载失败：{str(e)}") raise功能
专门用来加载你训练好的模型权重文件（best.pt）
关键细节
def 函数名(参数)：定义一个可复用的函数try-except：异常捕获，防止模型路径错误、文件损坏导致程序直接崩溃model = YOLO(model_path)：YOLOv8 官方 API，一行加载模型- 成功返回模型对象，失败打印错误并抛出异常
三、函数 2：核心预测函数（最重要）
python
运行
def predict_express_box(model, img_path, conf=0.5, iou=0.45): """ 调用模型预测快递盒分割 Args: model: 加载好的YOLOv8模型对象 img_path: 测试图片路径（单张/文件夹） conf: 置信度阈值 iou: NMS交并比阈值 """ # 固定保存到你指定的路径 save_dir = r"D:\kuaidi\undergraduate_thesis-master\undergraduate_thesis-master\data\results" # 创建保存目录（不存在则自动创建） Path(save_dir).mkdir(parents=True, exist_ok=True)功能
接收模型和图片路径，执行预测，并把结果保存到指定文件夹
关键参数
conf=0.5：置信度阈值，只有模型认为概率≥50% 的目标才会显示iou=0.45：非极大值抑制阈值，过滤重复框，避免一个目标标多次save_dir：结果固定保存路径，所有预测图都会存在这里
核心逻辑：判断是单张图 还是 文件夹（批量图）
python
运行
# 执行预测 try: if os.path.isdir(img_path): # 批量预测文件夹内所有图片 img_list = [os.path.join(img_path, f) for f in os.listdir(img_path) if f.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp'))] if not img_list: print("⚠️ 未在文件夹中找到有效图片") return results = model(img_list, conf=conf, iou=iou, save=False) else: # 单张图片预测 if not os.path.exists(img_path): print(f"❌ 图片不存在：{img_path}") return results = model(img_path, conf=conf, iou=iou, save=False)- 判断输入类型
os.path.isdir(img_path)：如果输入是文件夹→ 批量读取所有图片- 否则 → 处理单张图片
- 过滤有效图片：只识别 jpg/png/bmp 等格式
- 模型预测：
model(图片路径)是 YOLOv8 官方预测语句，save=False不使用官方保存，自定义保存
处理预测结果 + 保存图片
python
运行
# 处理预测结果 for idx, result in enumerate(results): img = result.orig_img # 原始图片 plotted_img = result.plot() # 绘制分割框/掩码的图片 img_name = os.path.basename(result.path) # 获取图片文件名 save_path = os.path.join(save_dir, f"pred_{img_name}") cv2.imwrite(save_path, plotted_img) # 保存结果图 print(f"\n📷 图片 {img_name} 预测完成：") print(f" - 保存路径：{save_path}") # 打印检测到的快递盒数量（分割用result.masks，检测用result.boxes） print(f" - 检测到快递盒数量：{len(result.masks)}" if result.masks else " - 未检测到快递盒") print(f"\n✅ 所有预测结果已保存至：{os.path.abspath(save_dir)}") return results核心知识点（分割任务专用）
result.plot()：自动在图片上绘制分割掩码 + 边框 + 类别 + 置信度result.masks：分割任务的核心结果，存储所有目标的分割轮廓（检测任务用result.boxes）cv2.imwrite()：将绘制好的图片保存到本地- 控制台打印：告诉你每张图检测了几个快递盒、结果存在哪里
四、程序入口：主函数（运行代码的地方）
python
运行
# ------------------- 运行入口 ------------------- if __name__ == "__main__": # 模型路径（你的路径） MODEL_PATH = r"D:\kuaidi\undergraduate_thesis-master\undergraduate_thesis-master\data\run\segment_final\weights\best.pt" # 测试图片路径（改成你自己的测试图） TEST_IMG_PATH = r"D:\kuaidi\undergraduate_thesis-master\undergraduate_thesis-master\Volume_Measure_yolov8_single_camera\Volume_Measure\hexahedron\iPhone\21F433EBE6747B976730FF1077B20A06.png" # 加载模型 + 预测 yolov8_model = load_yolov8_segment_model(MODEL_PATH) predict_express_box( model=yolov8_model, img_path=TEST_IMG_PATH, conf=0.5, iou=0.45 )作用
这是运行代码的起点，只有直接运行这个 py 文件时，才会执行这里的代码
运行流程
- 定义模型路径（你的训练好的 best.pt）
- 定义测试图片路径（单张图 / 文件夹都可以）
- 调用函数：先加载模型 → 再执行预测
- 预测完成后，结果自动保存在指定文件夹