Extracción de resultados de Ultralytics YOLOv8

En el campo en constante cambio de la visión por ordenador, Ultralytics YOLOv8 destaca como un modelo de primer nivel para tareas como detección, segmentación y seguimiento de objetos. Tanto si eres un desarrollador experimentado como un principiante en inteligencia artificial (IA), comprender cómo extraer eficazmente las salidas de YOLOv8 puede mejorar significativamente tus proyectos. Esta entrada de blog profundiza en los pasos prácticos para extraer y utilizar los resultados del modelo YOLOv8.

Configuración de Ultralytics YOLOv8#

Antes de sumergirte en la extracción de resultados, es fundamental tener tu modelo Ultralytics YOLOv8 en funcionamiento. Si eres nuevo, puedes ver nuestros videos anteriores donde cubrimos los fundamentos de configuración y el uso de modelos YOLO para varias tareas de visión artificial. Para empezar con la extracción de resultados, asegúrate de que tu modelo esté configurado correctamente:

1. Inicialización del modelo: Inicializa el modelo Ultralytics YOLOv8 de manera adecuada, asegurándote de elegir la configuración de modelo correcta que se adapte a tus necesidades específicas, ya sea detección de objetos o tareas más complejas como la estimación de poses.
2. Ejecución de la inferencia: Introduce tus datos a través del modelo para realizar la inferencia. Este proceso generará un objeto de resultados, que es tu clave para acceder a todos los datos de detección.

Entendiendo el objeto de resultados#

El objeto results en Ultralytics YOLOv8 es una mina de oro de información. Contiene todos los datos de detección que necesitas para continuar con tu proyecto, incluyendo:

• Cuadros delimitadores (BBoxes): Usa results.boxes para acceder a las coordenadas de los objetos detectados.
• Máscaras y puntos clave: Accede a las máscaras de segmentación y a los puntos clave para la estimación de poses utilizando results.masks y results.keypoints respectivamente.
• Probabilidades de clases: results.probs proporciona la probabilidad de cada clase detectada, lo cual es útil para filtrar detecciones en función de las puntuaciones de confianza.

Extracción de datos para uso personalizado#

Para utilizar estos resultados en tus aplicaciones, sigue estos pasos:

1. Convertir datos para el procesamiento: Si estás ejecutando tu modelo en una GPU, convierte los resultados al formato CPU usando .cpu() para su posterior manipulación.
2. Acceso a las coordenadas de las cajas delimitadoras: Recupera y manipula las coordenadas de las cajas delimitadoras directamente desde el objeto de resultados. Esto incluye acceder a coordenadas normalizadas o atributos específicos como ancho y alto.
3. Manejo de clasificaciones: Extrae las clasificaciones principales para utilizar los IDs de clase y las puntuaciones de confianza de forma eficaz.

Aplicación práctica en código#

Pasando de la teoría a la práctica, Nicolai Nielsen demuestra cómo implementar estos conceptos dentro de un script de Python personalizado usando Visual Studio Code. El script implica:

• Configuración de una clase de detección: Inicializa y configura tu modelo Ultralytics YOLOv8 dentro de una estructura de clase, preparándolo para la entrada de datos en directo.
• Extracción de resultados: Ejecuta la detección y extrae cajas delimitadoras, máscaras y clasificaciones directamente del objeto de resultados.
• Utilización de resultados: Convierte los resultados a formatos utilizables como JSON o CSV, o úsalos directamente para dibujar cajas delimitadoras en imágenes o flujos de vídeo.

Visualización y más allá#

Aunque extraer datos sin procesar es crucial, visualizar estas detecciones puede proporcionar información inmediata sobre el rendimiento del modelo:

• Dibujar rectángulos: Usa los datos de la caja delimitadora para dibujar rectángulos alrededor de los objetos detectados en los resultados de imagen o vídeo.
• Graficado directo: Utiliza las funciones de graficado integradas de Ultralytics YOLOv8 para visualizar directamente las detecciones sin código adicional.

Expandiendo tu caja de herramientas de IA con Ultralytics YOLOv8#

Dominar la extracción de resultados de Ultralytics YOLOv8 no solo potencia las capacidades de tu proyecto, sino que también profundiza tu comprensión de los sistemas de detección de objetos.

Siguiendo los pasos puedes aprovechar todo el potencial de Ultralytics YOLOv8 para adaptar las detecciones a tus necesidades específicas, ya sea en el desarrollo de aplicaciones avanzadas impulsadas por IA o en la realización de un análisis de datos robusto.

Permanece atento a más tutoriales que te ayudarán a aprovechar al máximo Ultralytics YOLOv8 y otras tecnologías de IA. Transforma tu conocimiento teórico en habilidades prácticas y da vida a tus proyectos de visión artificial con precisión y eficiencia. ¡Únete a nuestra comunidad para mantenerte al día con todas las últimas novedades y consulta nuestra documentación para saber más!

Ver el vídeo completo Watch the full video!