Extraction des 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 vous soyez un développeur chevronné ou un débutant en intelligence artificielle (IA), comprendre comment extraire efficacement les sorties de YOLOv8 peut considérablement améliorer vos projets. Cet article de blog explore les étapes pratiques pour extraire et utiliser les résultats du modèle YOLOv8.

Configuration de YOLOv8

Avant de plonger dans l'extraction des résultats, il est essentiel que votre modèle YOLOv8 soit opérationnel. Si vous êtes novice, vous pouvez 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, 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 configuration de modèle adaptée à vos besoins spécifiques, qu'il s'agisse de la détection d'objets ou de tâches plus complexes comme l'estimation de pose.
   ‍
2. Exécution de l'inférence : Entrez vos données via le modèle pour effectuer l'inférence. Ce processus générera un objet de résultats, qui est votre clé d'accès à toutes les données de détection.

Comprendre l'objet de résultats

L'objet de résultats dans YOLOv8 est une mine d'informations. Il contient toutes les données de détection dont vous avez besoin pour mener à bien votre projet, notamment :

• Boîtes englobantes : Utilisez 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 pose en utilisant results.masks et results.keypoints respectivement.
  ‍
• Probabilités de 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 vos applications, suivez ces étapes :

1. Convertir les données pour le traitement : Si vous exécutez votre modèle sur un GPU, convertissez les sorties au format CPU en utilisant .cpu() pour une manipulation ultérieure.
   ‍
2. Accès aux coordonnées des boîtes englobantes : Récupérez et manipulez les coordonnées des boîtes englobantes directement à partir de l'objet de résultats. Cela inclut l'accès aux coordonnées normalisées ou à des attributs spécifiques comme la largeur et la hauteur.
   ‍
3. Gestion des classifications : Extrayez les meilleures classifications pour utiliser efficacement les ID de classe et les scores de confiance.

Application pratique en code

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

• Configuration d'une classe de détection : Initialisez et configurez votre modèle YOLOv8 dans une structure de classe, en le préparant à l'entrée de données en direct.
  ‍
• Extraction des résultats : Exécutez la détection et extrayez les boîtes englobantes, les masques et les classifications directement de l'objet de résultats.
  ‍
• Utilisation des sorties : Convertissez les résultats en formats utilisables tels que JSON ou CSV, ou utilisez-les directement pour dessiner des boîtes englobantes sur des images ou des flux vidéo.

Visualisation et au-delà

Bien que l'extraction de données brutes soit cruciale, la visualisation de ces détections peut fournir un aperçu immédiat des performances du modèle :

• Dessin de rectangles : Utilisez les données des boîtes englobantes pour dessiner des rectangles autour des objets détectés dans les sorties d'image ou de vidéo.
  ‍
• Traçage direct : Utilisez les fonctions de traçage intégrées de YOLOv8 pour visualiser directement les détections sans codage supplémentaire.

Développez votre boîte à outils d'IA avec YOLOv8

Maîtriser l'extraction des sorties de YOLOv8 améliore non seulement les capacités de votre projet, mais approfondit également votre compréhension des systèmes de détection d'objets.

En suivant ces étapes, vous pouvez exploiter toute la puissance de YOLOv8 pour adapter les détections à vos besoins spécifiques, que ce soit pour développer des applications avancées basées sur l'IA ou pour effectuer une analyse de données robuste.

Restez à l'écoute pour d'autres tutoriels qui vous aideront à exploiter pleinement 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 informé de toutes les dernières nouveautés et consultez notre documentation pour en savoir plus ! 

Regardez la vidéo complète ici !