实战 | YOLOv8+OpenCV 实现DM码定位检测与解析

YOLOv8是YOLO系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了YOLOv5、YOLOv6、YOLOX等模型的设计优点，全面提升改进YOLOv5的模型结构基础上实现同时保持了YOLOv5工程化简洁易用的优势。

数据准备

工业码（DataMatrix码简称DM码）检测与识别是机器视觉最常用得场景之一，从DM码的定位、质量评估、预处理、检测与ROI截取、解析识别。每个环节都有很多技术细节，以DM码的发现于定位来说，早期都是基于传统的图像分析与寻边算法实现DM码定位，现在基本上都是基于轻量化的深度学习对象检测模型来完成。本文的数据集是来自一个网友的贡献，它的DM码图像如下：

传统方法分析相对来说比较容易收到其它因素干扰，导致解码率不高，因此我从他给我的2000多张图像中挑选出200张，用OpenMV做好了标注，制作生成了数据集。

模型训练与量化部署

然后基于YOLOv8对象检测模型，使用迁移学习方式训练了一个DM码检测模型，训练结果如下：

把训练生成的best.pt模型导出ONNX格式模型，再进一步量化为INT8，最终模型大小只有3MB，在端侧板子上都可以部署运行，然后运行测试如下：

采用ZXING开源解码结果

这其中最重要的就是定位查找DM码，使用YOLOv8训练一个自定义对象检测模型，可以很轻松的搞定，然后基于ROI使用OpenCV完成预处理之后即可解码。

演示部分

YOLOv8自定义实例分割实现工业缺陷检测

自定义对象跟踪

自定义对象检测 + TensorRT部署推理演示