基于先进的目标检测技术，提供高效精准的水印识别解决方案
基于 YOLO8 先进的深度学习算法，实现像素级精度的水印定位识别
优化的模型结构支持实时检测，单张图片处理速度达到毫秒级别
集成 labelImg 可视化标注工具，直观的图形界面简化数据准备流程
支持自定义数据集训练，只需简单的标注即可适配各类品牌水印
支持 Dev Containers、虚拟环境等多种配置方式，适配不同开发场景
结合 IOPaint 实现自动水印移除，构建完整的水印处理解决方案
从环境配置到模型推理的完整流程指引
推荐使用 VS Code 的 Dev Containers 模式，或选择以下虚拟环境方式：
# CPU 版本
pip install torch torchvision
# CUDA 版本
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
# 安装项目依赖
pip install -r requirements.txt
使用 labelImg 进行数据标注：
# 安装 labelImg
pip install labelImg
# 启动标注工具
labelImg
# 数据集预处理
cd datasets && python Process.py
将图片放置在 datasets/data/images 目录，使用 YOLO 格式保存标注
使用标注数据训练 YOLO8 模型：
python train.py
训练前需要在 train.py 中配置 imgsz 参数以匹配图片尺寸
使用训练好的模型进行水印检测：
python test.py
模型将在图片中检测并标注出水印位置
labelImg 标注界面
labelImg 可视化标注工具界面
训练后模型预测结果
YOLO8 模型检测效果展示
项目使用的关键依赖版本
python==3.8.18
torch==2.3.0+cu118
torchvision==0.18.0+cu118
ultralytics==8.2.28
labelImg==1.8.6
使用过程中的常见疑问解答
1. 安装 labelImg：pip install labelImg
2. 启动 labelImg 并打开 datasets/data/images 目录
3. 进行标注，保存格式选择 YOLO
4. 执行数据集拆分：cd datasets && python Process.py
5. 运行训练：python train.py
推荐使用 VS Code 的 Dev Containers 模式，可以快速配置一致的开发环境。也可以使用传统的虚拟环境方式，根据需要选择 CPU 或 CUDA 版本的 PyTorch。
可以结合 ultralytics-YOLO8 与 IOPaint 进行组合使用，实现自动移除 YOLO 识别的目标水印。具体实现请查看 yolo8-plus-iopaint 仓库。
参与训练的图片宽高最好保持一致，训练前需要在 train.py 中配置 imgsz 参数以匹配图片的宽高信息，这样可以获得更好的训练效果。