Ausgaben aus Ultralytics YOLOv8 extrahieren

Im sich ständig wandelnden Bereich der Computer Vision zeichnet sich Ultralytics YOLOv8 als erstklassiges Modell für Aufgaben wie die Objekterkennung, Segmentierung und das Tracking aus. Ganz gleich, ob du ein erfahrener Entwickler oder Anfänger im Bereich der künstlichen Intelligenz (AI) bist: Wenn du verstehst, wie du Ausgaben aus YOLOv8 effektiv extrahierst, kannst du deine Projekte deutlich verbessern. Dieser Blogbeitrag erläutert die praktischen Schritte zum Extrahieren und Verwenden von Ergebnissen aus dem Modell YOLOv8.

Ultralytics YOLOv8 einrichten#

Bevor du dich mit dem Extrahieren von Ergebnissen beschäftigst, muss dein Ultralytics YOLOv8-Modell eingerichtet und betriebsbereit sein. Wenn du noch keine Erfahrung damit hast, kannst du dir unsere vorherigen Videos ansehen, in denen wir die Grundlagen zum Einrichten und Verwenden von YOLO-Modellen für verschiedene Computer-Vision-Aufgaben erklären. Um mit dem Extrahieren von Ergebnissen zu beginnen, stelle sicher, dass dein Modell korrekt konfiguriert ist:

1. Modellinitialisierung: Initialisiere das Ultralytics YOLOv8-Modell ordnungsgemäß und wähle dabei die passende Modellkonfiguration für deine spezifischen Anforderungen aus, sei es für Objekterkennung oder komplexere Aufgaben wie Posenschätzung.
2. Inference ausführen: Gib deine Daten über das Modell ein, um eine Inferenz durchzuführen. Dabei wird ein Ergebnisobjekt erzeugt, über das du auf alle Erkennungsdaten zugreifen kannst.

Das Ergebnisobjekt verstehen#

Das Ergebnisobjekt in Ultralytics YOLOv8 enthält eine Fülle an Informationen. Es umfasst alle Erkennungsdaten, die du für dein Projekt benötigst, darunter:

• Begrenzungsrahmen: Verwende results.boxes, um auf die Koordinaten erkannter Objekte zuzugreifen.
• Masken und Keypoints: Greife mithilfe von results.masks beziehungsweise results.keypoints auf Segmentierungsmasken und Keypoints für die Posenschätzung zu.
• Klassenwahrscheinlichkeiten: results.probs liefert die Wahrscheinlichkeit für jede erkannte Klasse und eignet sich zum Filtern von Erkennungen anhand von Konfidenzwerten.

Daten für die eigene Verwendung extrahieren#

Gehe wie folgt vor, um diese Ausgaben in deinen Anwendungen zu verwenden:

1. Daten für die Verarbeitung konvertieren: Wenn du dein Modell auf einer GPU ausführst, konvertiere die Ausgaben mit .cpu() in das CPU-Format, um sie weiterzuverarbeiten.
2. Auf Koordinaten von Begrenzungsrahmen zugreifen: Rufe die Koordinaten der Begrenzungsrahmen direkt aus dem Ergebnisobjekt ab und bearbeite sie. Dazu gehört der Zugriff auf normalisierte Koordinaten oder bestimmte Attribute wie Breite und Höhe.
3. Klassifikationen verarbeiten: Extrahiere die wichtigsten Klassifikationen, um Klassen-IDs und Konfidenzwerte effektiv zu nutzen.

Praktische Anwendung im Code#

Beim Übergang von der Theorie zur Praxis zeigt Nicolai Nielsen, wie diese Konzepte in einem eigenen Python-Skript mit Visual Studio Code umgesetzt werden. Das Skript umfasst:

• Eine Erkennungsklasse einrichten: Initialisiere und konfiguriere dein Ultralytics YOLOv8-Modell innerhalb einer Klassenstruktur und bereite es für die Eingabe von Live-Daten vor.
• Ergebnisse extrahieren: Führe die Erkennung aus und extrahiere Begrenzungsrahmen, Masken und Klassifikationen direkt aus dem Ergebnisobjekt.
• Ausgaben verwenden: Konvertiere Ergebnisse in nutzbare Formate wie JSON oder CSV oder verwende sie direkt, um Begrenzungsrahmen in Bildern oder Videostreams zu zeichnen.

Visualisierung und mehr#

Das Extrahieren von Rohdaten ist zwar entscheidend, doch die Visualisierung dieser Erkennungen kann unmittelbare Einblicke in die Leistung des Modells liefern:

• Rechtecke zeichnen: Verwende die Daten der Begrenzungsrahmen, um Rechtecke um erkannte Objekte in Bild- oder Videoausgaben zu zeichnen.
• Direktes Plotten: Nutze die integrierten Plot-Funktionen von Ultralytics YOLOv8, um Erkennungen ohne zusätzlichen Programmieraufwand direkt zu visualisieren.

Dein KI-Werkzeugset mit Ultralytics YOLOv8 erweitern#

Wenn du die Extraktion von Ausgaben aus Ultralytics YOLOv8 beherrschst, erweiterst du nicht nur die Möglichkeiten deiner Projekte, sondern vertiefst auch dein Verständnis von Objekterkennungssystemen.

Wenn du diese Schritte befolgst, kannst du die volle Leistungsfähigkeit von Ultralytics YOLOv8 nutzen und Erkennungen an deine spezifischen Anforderungen anpassen – sowohl bei der Entwicklung fortschrittlicher KI-Anwendungen als auch bei fundierten Datenanalysen.

Bleib gespannt auf weitere Tutorials, die dir dabei helfen, Ultralytics YOLOv8 und andere KI-Technologien optimal zu nutzen. Verwandle dein theoretisches Wissen in praktische Fähigkeiten und erwecke deine Computer-Vision-Projekte mit Präzision und Effizienz zum Leben. Tritt unserer Community bei, um über alle aktuellen Entwicklungen auf dem Laufenden zu bleiben, und sieh dir unsere Dokumentation an, um mehr zu erfahren!

Sieh dir das vollständige Video an: Sieh dir das vollständige Video an!