Extraire les sorties d’Ultralytics YOLOv8

Dans le domaine en constante évolution de la vision par ordinateur, Ultralytics YOLOv8 se distingue comme un modèle de premier plan pour des tâches telles que la détection d’objets, la segmentation et le suivi. Que tu sois un développeur expérimenté ou débutant en intelligence artificielle (AI), comprendre comment extraire efficacement les sorties de YOLOv8 peut considérablement améliorer tes projets. Cet article de blog présente les étapes pratiques pour extraire et utiliser les résultats du modèle YOLOv8.

Configurer Ultralytics YOLOv8#

Avant de passer à l’extraction des résultats, il est essentiel que ton modèle Ultralytics YOLOv8 soit opérationnel. Si tu débutes, tu peux regarder nos vidéos précédentes, dans lesquelles nous abordons 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, vérifie que ton modèle est correctement configuré :

1. Initialisation du modèle : initialise correctement le modèle Ultralytics YOLOv8 en veillant à choisir la configuration adaptée à tes besoins spécifiques, qu’il s’agisse de détection d’objets ou de tâches plus complexes comme l’estimation de pose.
2. Exécution de l’inférence : fournis tes données au modèle pour effectuer l’inférence. Ce processus génère un objet de résultats, qui te permet d’accéder à toutes les données de détection.

Comprendre l’objet de résultats#

L’objet de résultats d’Ultralytics YOLOv8 contient une mine d’informations. Il regroupe toutes les données de détection dont tu as besoin pour poursuivre ton projet, notamment :

• Boîtes englobantes : utilise results.boxes pour accéder aux coordonnées des objets détectés.
• Masques et points clés : accède aux masques de segmentation et aux points clés pour l’estimation de pose à l’aide de results.masks et results.keypoints, respectivement.
• Probabilités des classes : results.probs fournit la probabilité de chaque classe détectée, ce qui est utile pour filtrer les détections en fonction des scores de confiance.

Extraire des données pour une utilisation personnalisée#

Pour utiliser ces sorties dans tes applications, suis les étapes suivantes :

1. Convertir les données pour le traitement : si tu exécutes ton modèle sur un GPU, convertis les sorties au format CPU à l’aide de .cpu() pour pouvoir les manipuler ensuite.
2. Accéder aux coordonnées des boîtes englobantes : récupère et manipule directement les coordonnées des boîtes englobantes depuis l’objet de résultats. Cela inclut l’accès aux coordonnées normalisées ou à des attributs spécifiques comme la largeur et la hauteur.
3. Gérer les classifications : extrais les principales classifications afin d’utiliser efficacement les identifiants de classe et les scores de confiance.

Application pratique dans le code#

En passant de la théorie à la pratique, Nicolai Nielsen montre comment mettre en œuvre ces concepts dans un script Python personnalisé avec Visual Studio Code. Le script comprend :

• Configurer une classe de détection : initialise et configure ton modèle Ultralytics YOLOv8 au sein d’une structure de classe afin de le préparer à recevoir des données en direct.
• Extraire les résultats : exécute la détection et extrais directement de l’objet de résultats les boîtes englobantes, les masques et les classifications.
• Utiliser les sorties : convertis les résultats dans des formats exploitables comme JSON ou CSV, ou utilise-les directement pour dessiner des boîtes englobantes sur des images ou des flux vidéo.

Visualisation et au-delà#

Bien que l’extraction des données brutes soit essentielle, la visualisation de ces détections peut fournir des informations immédiates sur les performances du modèle :

• Dessiner des rectangles : utilise les données des boîtes englobantes pour dessiner des rectangles autour des objets détectés dans les sorties d’image ou de vidéo.
• Tracé direct : utilise les fonctions de tracé intégrées d’Ultralytics YOLOv8 pour visualiser directement les détections sans codage supplémentaire.

Élargir ta boîte à outils d’IA avec Ultralytics YOLOv8#

Maîtriser l’extraction des sorties d’Ultralytics YOLOv8 améliore non seulement les capacités de ton projet, mais approfondit également ta compréhension des systèmes de détection d’objets.

En suivant ces étapes, tu peux exploiter pleinement la puissance d’Ultralytics YOLOv8 pour adapter les détections à tes besoins spécifiques, que ce soit pour développer des applications avancées basées sur l’IA ou mener une analyse robuste des données.

Reste à l’écoute pour découvrir d’autres tutoriels qui t’aideront à tirer pleinement parti d’Ultralytics YOLOv8 et d’autres technologies d’IA. Transforme tes connaissances théoriques en compétences pratiques et donne vie à tes projets de vision par ordinateur avec précision et efficacité. Rejoins notre communauté pour rester au fait des dernières avancées et consulte également notre documentation pour en savoir plus !

Regarde la vidéo complète Regarde la vidéo complète !