Extracción de resultados de Ultralytics YOLOv8

En el campo en constante evolución de la visión artificial, Ultralytics YOLOv8 destaca como un modelo de primer nivel para tareas como la detección de objetos, la segmentación y el seguimiento. Tanto si eres un desarrollador con experiencia como si estás empezando en inteligencia artificial (AI), entender cómo extraer eficazmente los resultados de YOLOv8 puede mejorar considerablemente tus proyectos. En esta entrada del blog se explican los pasos prácticos para extraer y utilizar los resultados del modelo YOLOv8.

Configuración de Ultralytics YOLOv8#

Antes de adentrarte en la extracción de resultados, es fundamental que tu modelo Ultralytics YOLOv8 esté configurado y funcionando. Si eres nuevo, puedes ver nuestros vídeos anteriores, en los que explicamos los conceptos básicos de la configuración y el uso de modelos YOLO para distintas tareas de visión artificial. Para empezar a extraer resultados, asegúrate de que tu modelo esté configurado correctamente:

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

Cómo entender el objeto de resultados#

El objeto de resultados de Ultralytics YOLOv8 es una auténtica mina de información. Contiene todos los datos de detección que necesitas para continuar con tu proyecto, incluidos los siguientes:

• Cajas delimitadoras: 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 mediante results.masks y results.keypoints, respectivamente.
• Probabilidades de clase: results.probs proporciona la probabilidad de cada clase detectada, lo que resulta útil para filtrar las detecciones según sus puntuaciones de confianza.

Extracción de datos para usos personalizados#

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

1. Conversión de datos para su procesamiento: Si ejecutas tu modelo en una GPU, convierte los resultados al formato de CPU mediante .cpu() para poder manipularlos posteriormente.
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 a atributos específicos, como la anchura y la altura.
3. Gestión de las clasificaciones: Extrae las clasificaciones principales para utilizar eficazmente los identificadores de clase y las puntuaciones de confianza.

Aplicación práctica en código#

Pasando de la teoría a la práctica, Nicolai Nielsen muestra cómo implementar estos conceptos en un script personalizado de Python mediante Visual Studio Code. El script incluye lo siguiente:

• Configuración de una clase de detección: Inicializa y configura tu modelo Ultralytics YOLOv8 dentro de una estructura de clase y prepáralo para recibir datos en directo.
• Extracción de resultados: Ejecuta la detección y extrae las cajas delimitadoras, las máscaras y las clasificaciones directamente del objeto de resultados.
• Uso de los resultados: Convierte los resultados a formatos utilizables, como JSON o CSV, o utilízalos directamente para dibujar cajas delimitadoras sobre imágenes o secuencias de vídeo.

Visualización y mucho más#

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

• Dibujo de rectángulos: Usa los datos de las cajas delimitadoras para dibujar rectángulos alrededor de los objetos detectados en las imágenes o vídeos de salida.
• Trazado directo: Utiliza las funciones de trazado integradas de Ultralytics YOLOv8 para visualizar directamente las detecciones sin necesidad de programar nada más.

Amplía tu kit de herramientas de AI con Ultralytics YOLOv8#

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

Si sigues estos pasos, podrás aprovechar todo el potencial de Ultralytics YOLOv8 para adaptar las detecciones a tus necesidades específicas, ya sea para desarrollar aplicaciones avanzadas basadas en AI o para realizar análisis de datos sólidos.

No te pierdas nuestros próximos tutoriales, que te ayudarán a aprovechar al máximo Ultralytics YOLOv8 y otras tecnologías de AI. Convierte tus conocimientos teóricos en habilidades prácticas y da vida a tus proyectos de visión artificial con precisión y eficiencia. Únete a nuestra comunidad para estar al día de todas las novedades y consulta nuestra documentación para obtener más información.

¡Mira el vídeo completo!