Extracción de resultados de Ultralytics YOLOv8

En el siempre cambiante campo de la visión por ordenador, Ultralytics YOLOv8 destaca como modelo de primer nivel para tareas como la detección, la segmentación y el seguimiento de objetos. Tanto si eres un desarrollador experimentado como un principiante en inteligencia artificial (IA), comprender 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.

Configuración de YOLOv8

Antes de sumergirse en la extracción de resultados, es crucial tener su modelo YOLOv8 en funcionamiento. Si eres nuevo, puedes ver nuestros vídeos anteriores en los que cubrimos los aspectos básicos de la configuración y el uso de modelos YOLO para diversas tareas de visión por ordenador. Para empezar con la extracción de resultados, asegúrate de que tu modelo está configurado correctamente:

1. Inicialización del modelo: Inicialice el modelo YOLOv8 de forma adecuada, asegurándose de elegir la configuración de modelo correcta que se adapte a sus necesidades específicas, ya sea la detección de objetos o tareas más complejas como la estimación de la pose.
   ‍
2. Ejecutar la inferencia: Introduzca sus datos a través del modelo para realizar la inferencia. Este proceso generará un objeto de resultados, que es la clave para acceder a todos los datos de detección.

Comprender el objeto de resultados

El objeto de resultados de YOLOv8 es una mina de información. Contiene todos los datos de detección que necesita para continuar con su proyecto, incluyendo:

• Cuadros delimitadores: Utilice results.boxes para acceder a las coordenadas de los objetos detectados.
  ‍
• Máscaras y puntos clave: Acceda a máscaras de segmentación y puntos clave para la estimación de la pose utilizando results.masks y results.keypoints respectivamente.
  ‍
• Probabilidades de clase: results.probabilities proporciona la probabilidad de cada clase detectada, útil para filtrar las detecciones en función de las puntuaciones de confianza.

Extracción de datos para uso personalizado

Para utilizar estas salidas en tus aplicaciones, sigue estos pasos:

1. Convierte los datos para procesarlos: Si ejecutas tu modelo en una GPU, convierte los resultados a formato CPU utilizando .cpu() para su posterior manipulación.
   ‍
2. Acceso a las coordenadas del cuadro delimitador: Recupera y manipula las coordenadas del cuadro delimitador directamente desde el objeto de resultados. Esto incluye el acceso a coordenadas normalizadas o a atributos específicos como la anchura y la altura.
   ‍
3. Manejo de clasificaciones: Extraiga las mejores clasificaciones para utilizar eficazmente los ID de clase y las puntuaciones de confianza.

Aplicación práctica en código

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

• Configurar una Clase de Detección: Inicializa y configura tu modelo YOLOv8 dentro de una estructura de clases, preparándolo para la entrada de datos en vivo.
  ‍
• Extracción de resultados: Ejecute la detección y extraiga los cuadros delimitadores, las máscaras y las clasificaciones directamente del objeto de resultados.
  ‍
• Utilización de resultados: Convierta los resultados en formatos utilizables como JSON o CSV, o utilícelos directamente para dibujar cuadros delimitadores en imágenes o secuencias de vídeo.

Visualización y mucho más

Aunque la extracción de datos en bruto es crucial, la visualización de estas detecciones puede proporcionar una visión inmediata del rendimiento del modelo:

• Dibujar rectángulos: Utilice los datos del cuadro delimitador para dibujar rectángulos alrededor de los objetos detectados en las salidas de imagen o vídeo.
  ‍
• Trazado directo: Utilice las funciones de trazado integradas en YOLOv8 para visualizar directamente las detecciones sin codificación adicional.

Amplíe sus herramientas de IA con YOLOv8

Dominar la extracción de resultados de YOLOv8 no sólo aumenta las capacidades de su proyecto, sino que también profundiza su comprensión de los sistemas de detección de objetos.

Siguiendo estos pasos podrá aprovechar toda la potencia de YOLOv8 para adaptar las detecciones a sus necesidades específicas, ya sea en el desarrollo de aplicaciones avanzadas basadas en IA o en la realización de análisis de datos sólidos.

Esté atento a más tutoriales que le ayudarán a sacar el máximo partido de YOLOv8 y otras tecnologías de IA. Transforma tus conocimientos teóricos en habilidades prácticas y da vida a tus proyectos de visión por ordenador con precisión y eficacia. Únete a nuestra comunidad para estar al día de las últimas novedades y consulta nuestra documentación para obtener más información. 

Vea el vídeo completo aquí.