YOLOv8是YOLO系列模型的最新王者，各種指標全面超越現有對象檢測與實例分割模型，借鑒了YOLOv5、YOLOv6、YOLOX等模型的設計優點，全面提升改進YOLOv5的模型結構基礎上實現同時保持了YOLOv5工程化簡潔易用的優勢。

數據準備

工業碼（DataMatrix碼簡稱DM碼）檢測與識別是機器視覺最常用得場景之一，從DM碼的定位、質量評估、預處理、檢測與ROI截取、解析識別。每個環節都有很多技術細節，以DM碼的發現于定位來說，早期都是基于傳統的圖像分析與尋邊算法實現DM碼定位，現在基本上都是基于輕量化的深度學習對象檢測模型來完成。本文的數據集是來自一個網友的貢獻，它的DM碼圖像。

傳統方法分析相對來說比較容易收到其它因素干擾，導致解碼率不高，因此我從他給我的2000多張圖像中挑選出200張，用OpenMV做好了標注，制作生成了數據集。

模型訓練與量化部署

然后基于YOLOv8對象檢測模型，使用遷移學習方式訓練了一個DM碼檢測模型，訓練結果如下：

把訓練生成的best.pt模型導出ONNX格式模型，再進一步量化為INT8，最終模型大小只有3MB，在端側板子上都可以部署運行，然后運行測試。

采用ZXING開源解碼結果

這其中最重要的就是定位查找DM碼，使用YOLOv8訓練一個自定義對象檢測模型，可以很輕松的搞定，然后基于ROI使用OpenCV完成預處理之后即可解碼。