X
Ultralytics YOLOv8.2 LibérationUltralytics YOLOv8.2 LibérationUltralytics YOLOv8.2 Flèche de déverrouillage
Contrôle vert
Lien copié dans le presse-papiers

Extraire des sorties de Ultralytics YOLOv8

Découvre comment optimiser tes projets de vision par ordinateur avec Ultralytics YOLOv8 . Ce guide a pour but de couvrir tous les aspects de YOLOv8 , de la configuration à l'extraction des résultats et à la mise en œuvre pratique.

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

Mise en place YOLOv8

Avant de plonger dans l'extraction des résultats, il est essentiel que ton modèle YOLOv8 soit opérationnel. Si tu es novice, tu peux regarder nos vidéos précédentes où 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, assure-toi que ton modèle est correctement configuré :

  1. Initialisation du modèle : Initialise le modèle YOLOv8 de façon appropriée, en t'assurant de choisir la bonne configuration de modèle qui répond à tes besoins spécifiques, qu'il s'agisse de détection d'objets ou de tâches plus complexes comme l'estimation de la pose.
  2. Exécuter l'inférence : Entre tes données dans le modèle pour effectuer l'inférence. Ce processus génère un objet de résultats, qui est la clé te permettant d'accéder à toutes les données de détection.

Comprendre l'objet Résultats

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

  • Boîtes de délimitation : Utilisation 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 la pose à l'aide de results.masks et results.keypoints respectivement.
  • Probabilités de la classe : results.probabilities fournit la probabilité de chaque classe détectée, utile pour filtrer les détections en fonction des scores de confiance.

Extraction de 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 site GPU, convertis les résultats au format CPU en utilisant .cpu() pour une manipulation ultérieure.
  2. Accès aux coordonnées de la boîte de délimitation : Récupère et manipule les coordonnées du cadre 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 : Extrait les meilleures classifications pour utiliser efficacement les identifiants de classe et les scores de confiance.

Application pratique du 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 : Initialise et configure ton 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.
  • Utiliser les résultats : Convertir les résultats dans des formats utilisables comme JSON ou CSV, ou les utiliser directement pour dessiner 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 indications immédiates sur les performances du modèle :

  • Dessiner des rectangles : Utilise les données de la boîte englobante pour dessiner des rectangles autour des objets détectés dans les sorties d'images ou de vidéos.
  • Tracé direct : Utilise les fonctions de traçage intégrées à YOLOv8pour visualiser directement les détections sans codage supplémentaire.

Élargis ta boîte à outils d'IA avec YOLOv8

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

En suivant les étapes, tu pourras exploiter toute la puissance de YOLOv8 pour adapter les détections à tes besoins spécifiques, que ce soit en développant des applications avancées pilotées par l'IA ou en réalisant des analyses de données robustes.

Reste à l'écoute pour d'autres tutoriels qui t'aideront à tirer le meilleur parti de 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 courant de tous les derniers développements ainsi que consulter nos docs pour en savoir plus ! 

Regarde la vidéo complète ici

Logo FacebookLogo de TwitterLogo LinkedInSymbole du lien de copie

Lire la suite dans cette catégorie

Construisons ensemble le futur
de l'IA !

Commence ton voyage avec le futur de l'apprentissage automatique.