Extraction des sorties d'Ultralytics YOLOv8

Dans le domaine en constante évolution de la vision par ordinateur, Ultralytics YOLOv8 s'impose 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 chevronné ou un débutant en intelligence artificielle (IA), comprendre comment extraire efficacement les résultats de YOLOv8 peut grandement améliorer tes projets. Cet article de blog explore les étapes pratiques pour extraire et utiliser les résultats du modèle YOLOv8.

Configuration de Ultralytics YOLOv8#

Avant de te lancer dans l'extraction des résultats, il est essentiel d'avoir ton modèle Ultralytics YOLOv8 opérationnel. Si tu débutes, 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 Ultralytics YOLOv8 de manière appropriée en veillant à choisir la configuration de modèle 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 : Entre tes données dans le modèle pour effectuer l'inférence. Ce processus générera un objet de résultats, qui est ta clé pour accéder à toutes les données de détection.

Comprendre l'objet de résultats#

L'objet results dans Ultralytics YOLOv8 est une mine d'informations. Il contient 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 en utilisant respectivement results.masks et results.keypoints.
• Probabilités de classes : results.probs fournit la probabilité de chaque classe détectée, ce qui est utile pour filtrer les détections en fonction des scores de confiance.

Extraction de données pour un usage personnalisé#

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

1. Conversion de données pour le traitement : Si tu exécutes ton modèle sur un GPU, convertis les sorties au format CPU en utilisant .cpu() pour une manipulation ultérieure.
2. Accès aux coordonnées de la boîte englobante : Récupère et manipule les coordonnées de la boîte englobante 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 : Extrais les meilleures classifications pour utiliser efficacement les ID de classe et les scores de confiance.

Application pratique dans le code#

En passant de la théorie à la pratique, Nicolai Nielsen démontre comment implémenter ces concepts dans un script Python personnalisé en utilisant Visual Studio Code. Le script implique :

• Mise en place d'une classe de détection : initialise et configure ton modèle Ultralytics YOLOv8 au sein d'une structure de classe, en le préparant pour l'entrée de données en direct.
• Extraction des résultats : Exécute la détection et extrais les boîtes englobantes, les masques et les classifications directement à partir de l'objet de résultats.
• Utilisation des sorties : Convertis les résultats dans des formats utilisables 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 de données brutes soit cruciale, visualiser ces détections peut fournir des informations 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'image ou de vidéo.
• Traçage direct : utilise les fonctions de traçage intégrées de Ultralytics YOLOv8 pour visualiser directement les détections sans code supplémentaire.

Élargir ta boîte à outils IA avec Ultralytics YOLOv8#

Maîtriser l'extraction des sorties de Ultralytics YOLOv8 permet non seulement d'amplifier les capacités de ton projet, mais aussi d'approfondir ta compréhension des systèmes de détection d'objets.

En suivant ces étapes, tu peux exploiter toute la puissance de Ultralytics YOLOv8 pour adapter les détections à tes besoins spécifiques, que ce soit pour développer des applications avancées pilotées par l'IA ou pour mener une analyse de données robuste.

Reste à l'écoute pour d'autres tutoriels qui t'aideront à exploiter pleinement le potentiel de 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 à jour sur toutes les dernières nouveautés et consulte notre documentation pour en savoir plus !

Regarde la vidéo complète Watch the full video !