Extrahieren von Ergebnissen aus Ultralytics YOLOv8

Im sich ständig wandelnden Bereich der Computer Vision ist Ultralytics YOLOv8 ein erstklassiges Modell für Aufgaben wie Objekterkennung, Segmentierung und Tracking. Egal, ob du ein erfahrener Entwickler oder ein Anfänger im Bereich der künstlichen Intelligenz (KI) bist, das Verständnis darüber, wie du Ergebnisse effektiv aus YOLOv8 extrahierst, kann deine Projekte erheblich verbessern. Dieser Blogbeitrag befasst sich mit den praktischen Schritten zum Extrahieren und Verwenden der Ergebnisse des YOLOv8-Modells.

Link to this sectionEinrichten von YOLOv8#

Bevor du dich in die Ergebnisextraktion stürzt, ist es entscheidend, dass dein YOLOv8-Modell einsatzbereit ist. Wenn du neu bist, kannst du dir unsere vorherigen Videos ansehen, in denen wir die Grundlagen des Einrichtens und Verwendens 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 YOLOv8-Modell angemessen und achte darauf, die richtige Modellkonfiguration zu wählen, die deinen spezifischen Anforderungen entspricht, sei es für die Objekterkennung oder komplexere Aufgaben wie die Pose-Schätzung.
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.

Link to this sectionDas Ergebnisobjekt verstehen#

Das Ergebnisobjekt in YOLOv8 ist eine Goldgrube an Informationen. Es enthält alle Erkennungsdaten, die du benötigst, um mit deinem Projekt fortzufahren, einschließlich:

• Bounding Boxes: Verwende results.boxes, um auf die Koordinaten der erkannten Objekte zuzugreifen.
• Masken und Keypoints: Greife mithilfe von results.masks beziehungsweise results.keypoints auf Segmentierungsmasken und Keypoints für die Pose-Schätzung zu.
• Klassenwahrscheinlichkeiten: results.probs liefert die Wahrscheinlichkeit für jede erkannte Klasse, was nützlich ist, um Erkennungen basierend auf Konfidenzwerten zu filtern.

Link to this sectionDaten 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.

Link to this sectionPraktische 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 Detection-Klasse: Initialisiere und konfiguriere dein YOLOv8-Modell innerhalb einer Klassenstruktur und bereite es auf die Live-Dateneingabe 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.

Link to this sectionVisualisierung 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 Plot-Funktionen von YOLOv8, um Erkennungen direkt ohne zusätzlichen Code zu visualisieren.

Link to this sectionErweitere dein KI-Toolkit mit YOLOv8#

Die Beherrschung der YOLOv8-Ergebnisextraktion verbessert nicht nur die Fähigkeiten deines Projekts, sondern vertieft auch dein Verständnis für Objekterkennungssysteme.

Indem du diese Schritte befolgst, kannst du die volle Leistung von YOLOv8 nutzen, um Erkennungen an deine spezifischen Bedürfnisse anzupassen, sei es bei der Entwicklung fortschrittlicher KI-gesteuerter Anwendungen oder bei der Durchführung robuster Datenanalysen.

Bleib dran für weitere Tutorials, die dir helfen, YOLOv8 und andere KI-Technologien in ihrem vollen Potenzial auszuschöpfen. 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 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!