本资源主要包含第2-4问，第一问直接使用传统图像处理即可，需要有很多步骤，这一步大家自己写就行。

2 第2问，甲骨文识别

2.1 先处理源文件

原文件有jpg和json文件，都在一个文件夹下，需要对json文件进行处理，主要是将其转换为yolov8所使用的格式，大体代码如下所示：

# 详情加q 596520206
def convert(height, width, box):
    dw = 1. / (width)
    dh = 1. / (height)
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h

2.2 划分训练集和测试集

处理完之后，所有的图片分为两个文件夹，一个是图片，一个是标签，但是需要划分为训练集和测试集，代码如下：

for file in train_files:
    shutil.copy(file, os.path.join(train_images_folder, os.path.basename(file)))

for file in val_files:
    shutil.copy(file, os.path.join(val_images_folder, os.path.basename(file)))

# 复制对应的标签文件到相应的文件夹中
for file in train_files:
    label_file = os.path.join(labels_folder, os.path.splitext(os.path.basename(file))[0] + '.txt')
    if os.path.exists(label_file):
        shutil.copy(label_file, os.path.join(train_labels_folder, os.path.basename(label_file)))

处理完之后的图片

2.3 训练和验证模型

配置好data.yaml文件，即可训练和验证，中间截图如下：
会发现大多数的都能展示出来

3 第3问，对给定的文件进行识别

注意，有的图片是单通道，需要转换为3通道，如图所示：

 if len(img.shape) == 2:
        # 处理单通道图像
        # 创建一个全零的三通道图像
        height, width = img.shape
        color_image = np.zeros((height, width, 3), dtype=np.uint8)

        # 复制单通道图像到每个通道
        color_image[:, :, 0] = img  # 将灰度图像复制到蓝色通道
        color_image[:, :, 1] = img  # 将灰度图像复制到绿色通道
        color_image[:, :, 2] = img  # 将灰度图像复制到红色通道
        img = color_image

第3问对图片进行检测例子：

4 第4问

这问要先搭建一个分类模型，单独训练这个模型，然后将第2问检测的图片截图，放入到这个模型进行预测，结果如下所示：

    for xyxy, label in zip(xyxy_all,predict_label_all):
        x0 = xyxy[0]
        y0 = xyxy[1]
        x1 = xyxy[2]
        y1 = xyxy[3]
        color  = (0, 255, 0)  # 矩形的颜色，这里是绿色

        draw.rectangle([(x0, y0), (x1,y1)], outline=color)
        draw.text((x0, y0-30), label, (255, 0, 0), font=font)

    cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    cv2.imwrite(os.path.join(out_file_path, image_name), cv2charimg)
通过代码发现有些能识别处理，Q 596520206