Extracción de resultados de Ultralytics YOLOv8

En el campo siempre cambiante de la visión artificial, Ultralytics YOLOv8 destaca como un modelo de primer nivel para tareas como detección, segmentación y seguimiento. Tanto si eres un desarrollador experimentado como un principiante en inteligencia artificial (IA), entender cómo extraer resultados de YOLOv8 de forma eficaz puede mejorar significativamente tus proyectos. Esta entrada de blog profundiza en los pasos prácticos para extraer y utilizar los resultados del modelo YOLOv8.

Link to this sectionConfiguración de YOLOv8#

Antes de sumergirte en la extracción de resultados, es crucial tener tu modelo YOLOv8 en funcionamiento. Si eres nuevo, puedes ver nuestros vídeos anteriores donde cubrimos los conceptos básicos de configuración y uso de modelos YOLO para diversas 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 YOLOv8 adecuadamente, 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.

Link to this sectionEntendiendo el objeto de resultados#

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

• Cajas delimitadoras (BBox): Usa results.boxes para acceder a las coordenadas de los objetos detectados.
• Máscaras y puntos clave: Accede a las máscaras de segmentación y puntos clave para la estimación de poses usando results.masks y results.keypoints respectivamente.
• Probabilidades de clase: results.probs proporciona la probabilidad de cada clase detectada, útil para filtrar detecciones basadas en puntuaciones de confianza.

Link to this sectionExtracción 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.

Link to this sectionAplicación 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 YOLOv8 dentro de una estructura de clase, preparándolo para la entrada de datos en tiempo real.
• 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.

Link to this sectionVisualización 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.
• Representación gráfica directa: Utiliza las funciones de trazado integradas de YOLOv8 para visualizar directamente las detecciones sin codificación adicional.

Link to this sectionAmpliando tu kit de herramientas de IA con YOLOv8#

Dominar la extracción de resultados de YOLOv8 no solo aumenta 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 YOLOv8 para adaptar las detecciones a tus necesidades específicas, ya sea desarrollando aplicaciones avanzadas basadas en IA o realizando un análisis de datos robusto.

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

Mira el vídeo completo Watch the full video!