Extrahieren von Ergebnissen aus Ultralytics YOLOv8

Im sich ständig weiterentwickelnden Bereich der Computer Vision hebt sich Ultralytics YOLOv8 als erstklassiges Modell für Aufgaben wie Objekterkennung, Segmentierung und Tracking hervor. Egal, ob du ein erfahrener Entwickler oder ein Anfänger in der künstlichen Intelligenz (KI) bist: Wenn du verstehst, wie du Ergebnisse aus YOLOv8 effektiv extrahierst, kannst du deine Projekte erheblich verbessern. Dieser Blogbeitrag befasst sich mit den praktischen Schritten zum Extrahieren und Verwenden von Ergebnissen aus dem YOLOv8-Modell.

Einrichten von Ultralytics YOLOv8#

Bevor du dich in die Texterfassung stürzt, ist es wichtig, dass dein Ultralytics YOLOv8-Modell einsatzbereit ist. Wenn du neu bist, kannst du dir unsere vorherigen Videos ansehen, in denen wir die Grundlagen des Einrichtens und der Verwendung von YOLO-Modellen für verschiedene Computer-Vision-Aufgaben behandeln. Um mit der Ergebnisextraktion zu beginnen, stelle sicher, dass dein Modell korrekt konfiguriert ist:

1. Modellinitialisierung: Initialisiere das Ultralytics YOLOv8-Modell entsprechend und achte darauf, die richtige Modellkonfiguration auszuwählen, die deinen spezifischen Anforderungen entspricht, sei es Objekterkennung oder komplexere Aufgaben wie Posenschätzung.
2. Inferenz ausführen: Gib deine Daten in das Modell ein, um eine Inferenz durchzuführen. Dieser Prozess generiert ein Ergebnisobjekt, das dein Schlüssel zum Zugriff auf alle Erkennungsdaten ist.

Das Ergebnisobjekt verstehen#

Das Ergebnisobjekt in Ultralytics YOLOv8 ist eine Fundgrube an Informationen. Es enthält alle Erkennungsdaten, die du für die Fortführung deines Projekts benötigst, einschließlich:

• Bounding Boxes: Verwende results.boxes, um auf die Koordinaten der erkannten Objekte zuzugreifen.
• Masken und Keypoints: Greife auf Segmentierungsmasken und Keypoints für die Pose Estimation zu, indem du results.masks bzw. results.keypoints verwendest.
• Klassenwahrscheinlichkeiten: results.probs liefert die Wahrscheinlichkeit jeder erkannten Klasse, was nützlich ist, um Erkennungen basierend auf Konfidenzwerten zu filtern.

Daten für den benutzerdefinierten Gebrauch extrahieren#

Um diese Ausgaben in deinen Anwendungen zu verwenden, befolge diese Schritte:

1. Daten für die Verarbeitung konvertieren: Wenn du dein Modell auf einer GPU ausführst, konvertiere die Ausgaben für eine weitere Manipulation mithilfe von .cpu() in das CPU-Format.
2. Zugriff auf Bounding-Box-Koordinaten: Rufe Bounding-Box-Koordinaten direkt aus dem Ergebnisobjekt ab und manipuliere sie. Dies beinhaltet den Zugriff auf normalisierte Koordinaten oder spezifische Attribute wie Breite und Höhe.
3. Umgang mit Klassifizierungen: Extrahiere die besten Klassifizierungen, um Klassen-IDs und Konfidenzwerte effektiv zu nutzen.

Praktische Anwendung im Code#

Beim Übergang von der Theorie zur Praxis zeigt Nicolai Nielsen, wie man diese Konzepte innerhalb eines benutzerdefinierten Python-Skripts unter Verwendung von Visual Studio Code implementiert. Das Skript beinhaltet:

• Einrichten einer Erkennungsklasse: Initialisiere und konfiguriere dein Ultralytics YOLOv8-Modell innerhalb einer Klassenstruktur und bereite es auf die Eingabe von Live-Daten vor.
• Ergebnisse extrahieren: Führe die Erkennung aus und extrahiere Bounding Boxes, Masken und Klassifizierungen direkt aus dem Ergebnisobjekt.
• Ausgaben nutzen: Konvertiere Ergebnisse in verwendbare Formate wie JSON oder CSV oder verwende sie direkt, um Bounding Boxes auf Bilder oder Videostreams zu zeichnen.

Visualisierung und darüber hinaus#

Während das Extrahieren von Rohdaten entscheidend ist, kann die Visualisierung dieser Erkennungen sofortige Einblicke in die Leistung des Modells geben:

• Rechtecke zeichnen: Verwende Bounding-Box-Daten, um Rechtecke um erkannte Objekte in Bild- oder Videoausgaben zu zeichnen.
• Direktes Plotten: Nutze die integrierten Plotting-Funktionen von Ultralytics YOLOv8, um Erkennungen direkt zu visualisieren, ohne zusätzlichen Code zu schreiben.

Erweitere dein KI-Toolkit mit Ultralytics YOLOv8#

Das Beherrschen der Ergebnisextraktion von Ultralytics YOLOv8 steigert nicht nur die Fähigkeiten deines Projekts, sondern vertieft auch dein Verständnis von Objekterkennungssystemen.

Indem du den Schritten folgst, kannst du die volle Leistung von Ultralytics YOLOv8 nutzen, um Erkennungen an deine spezifischen Anforderungen anzupassen, egal ob du fortgeschrittene KI-gestützte Anwendungen entwickelst oder eine robuste Datenanalyse durchführst.

Bleib dran für weitere Tutorials, die dir helfen, Ultralytics YOLOv8 und andere KI-Technologien voll auszuschöpfen. Verwandle dein theoretisches Wissen in praktische Fähigkeiten und erwecke deine Computer-Vision-Projekte präzise und effizient zum Leben. Tritt unserer Community bei, um über alle neuesten Entwicklungen auf dem Laufenden zu bleiben, und schau dir unsere Dokumentation an, um mehr zu erfahren!

Sieh dir das vollständige Video an Watch the full video!