Extraction des résultats d'Ultralytics YOLOv8

Dans le domaine en constante évolution de la vision artificielle, Ultralytics YOLOv8 se distingue comme un modèle de premier plan pour des tâches telles que la détection, la segmentation et le suivi d'objets. Que vous soyez un développeur chevronné ou un débutant en intelligence artificielle (IA), comprendre comment extraire efficacement les résultats de YOLOv8 peut considérablement améliorer vos projets. Cet article de blog traite des étapes pratiques pour extraire et utiliser les résultats du modèle YOLOv8.

Mise en place de YOLOv8

Avant de plonger dans l'extraction des résultats, il est essentiel que votre modèle YOLOv8 soit opérationnel. Si vous êtes nouveau, vous pouvez regarder nos vidéos précédentes où nous couvrons les bases de la configuration et de l'utilisation des modèles YOLO pour diverses tâches de vision par ordinateur. Pour commencer l'extraction des résultats, assurez-vous que votre modèle est correctement configuré :

1. Initialisation du modèle : Initialisez le modèle YOLOv8 de manière appropriée, en vous assurant de choisir la bonne configuration de modèle qui correspond à vos besoins spécifiques, qu'il s'agisse de détection d'objets ou de tâches plus complexes comme l'estimation de la pose.
   ‍
2. Exécution de l'inférence : Introduisez vos données dans le modèle pour effectuer l'inférence. Ce processus génère un objet de résultats, qui est la clé d'accès à toutes les données de détection.

Comprendre l'objet des résultats

L'objet "résultats" de YOLOv8 est une mine d'informations. Il contient toutes les données de détection dont vous avez besoin pour poursuivre votre projet :

• Boîtes de délimitation : Utiliser results.boxes pour accéder aux coordonnées des objets détectés.
  ‍
• Masques et points clés : Accédez aux masques de segmentation et aux points clés pour l'estimation de la pose à l'aide de results.masks et results.keypoints respectivement.
  ‍
• Probabilités de classe : results.probabilities fournit la probabilité de chaque classe détectée, utile pour filtrer les détections sur la base des scores de confiance.

Extraction de données pour une utilisation personnalisée

Pour utiliser ces sorties dans vos applications, suivez les étapes suivantes :

1. Convertir les données pour le traitement : Si vous exécutez votre modèle sur un GPU, convertissez les sorties au format CPU à l'aide de .cpu() pour une manipulation ultérieure.
   ‍
2. Accès aux coordonnées de la boîte englobante : Récupérer et manipuler les coordonnées de la boîte englobante directement à partir de l'objet des résultats. Cela comprend l'accès aux coordonnées normalisées ou à des attributs spécifiques tels que la largeur et la hauteur.
   ‍
3. Traitement des classifications : Extraire les meilleures classifications pour utiliser efficacement les identifiants de classe et les scores de confiance.

Application pratique dans le code

Passant de la théorie à la pratique, Nicolai Nielsen montre comment mettre en œuvre ces concepts dans un script Python personnalisé à l'aide de Visual Studio Code. Le script implique :

• Mise en place d'une classe de détection : Initialiser et configurer votre modèle YOLOv8 dans une structure de classe, en le préparant à l'entrée de données en direct.
  ‍
• Extraction des résultats : Exécuter la détection et extraire les boîtes de délimitation, les masques et les classifications directement à partir de l'objet des résultats.
  ‍
• Utilisation des résultats : Convertissez les résultats dans des formats utilisables tels que JSON ou CSV, ou utilisez-les directement pour tracer des boîtes de délimitation sur des images ou des flux vidéo.

La visualisation et au-delà

Si l'extraction des données brutes est cruciale, la visualisation de ces détections peut fournir des informations immédiates sur les performances du modèle :

• Dessiner des rectangles : Utilisez les données de la boîte englobante pour dessiner des rectangles autour des objets détectés dans les images ou les vidéos.
  ‍
• Tracé direct : Utilisez les fonctions de traçage intégrées de YOLOv8 pour visualiser directement les détections sans codage supplémentaire.

Élargir votre boîte à outils d'IA avec YOLOv8

La maîtrise de l'extraction des données de sortie de YOLOv8 permet non seulement d'améliorer les capacités de votre projet, mais aussi d'approfondir votre compréhension des systèmes de détection d'objets.

En suivant les étapes, vous pouvez exploiter toute la puissance de YOLOv8 pour adapter les détections à vos besoins spécifiques, qu'il s'agisse de développer des applications avancées basées sur l'IA ou d'effectuer des analyses de données solides.

Restez à l'écoute pour d'autres tutoriels qui vous aideront à tirer le meilleur parti de YOLOv8 et d'autres technologies d'IA. Transformez vos connaissances théoriques en compétences pratiques et donnez vie à vos projets de vision par ordinateur avec précision et efficacité. Rejoignez notre communauté pour rester au courant des derniers développements et consultez notre documentation pour en savoir plus ! 

Regardez la vidéo complète ici!