Estrazione degli output da Ultralytics YOLOv8

Nel campo in continua evoluzione della computer vision, Ultralytics YOLOv8 si distingue come modello di alto livello per attività come la rilevazione degli oggetti, la segmentazione e il tracking. Che tu sia uno sviluppatore esperto o un principiante nel campo dell'intelligenza artificiale (AI), capire come estrarre in modo efficace gli output da YOLOv8 può migliorare significativamente i tuoi progetti. Questo post del blog illustra i passaggi pratici per estrarre e utilizzare i risultati del modello YOLOv8.

Configurazione di Ultralytics YOLOv8#

Prima di immergerti nell'estrazione dei risultati, è fondamentale avere il modello Ultralytics YOLOv8 installato e funzionante. Se non hai esperienza, puoi guardare i nostri video precedenti, in cui trattiamo le nozioni di base della configurazione e dell'utilizzo dei modelli YOLO per diverse attività di computer vision. Per iniziare a estrarre i risultati, assicurati che il modello sia configurato correttamente:

1. Inizializzazione del modello: inizializza correttamente il modello Ultralytics YOLOv8, assicurandoti di scegliere la configurazione del modello adatta alle tue esigenze specifiche, che si tratti della rilevazione degli oggetti o di attività più complesse come la stima della posa.
2. Esecuzione dell'inferenza: inserisci i tuoi dati nel modello per eseguire l'inferenza. Questo processo genererà un oggetto dei risultati, che ti permetterà di accedere a tutti i dati di rilevazione.

Comprendere l'oggetto dei risultati#

L'oggetto dei risultati in Ultralytics YOLOv8 è una miniera di informazioni. Contiene tutti i dati di rilevazione necessari per procedere con il tuo progetto, tra cui:

• Riquadri di delimitazione: usa results.boxes per accedere alle coordinate degli oggetti rilevati.
• Maschere e keypoint: accedi alle maschere di segmentazione e ai keypoint per la stima della posa usando rispettivamente results.masks e results.keypoints.
• Probabilità delle classi: results.probs fornisce la probabilità di ciascuna classe rilevata, utile per filtrare le rilevazioni in base ai punteggi di confidenza.

Estrazione dei dati per usi personalizzati#

Per utilizzare questi output nelle tue applicazioni, segui questi passaggi:

1. Conversione dei dati per l'elaborazione: se esegui il modello su una GPU, converti gli output nel formato CPU usando .cpu() per poterli manipolare ulteriormente.
2. Accesso alle coordinate dei riquadri di delimitazione: recupera e manipola direttamente dall'oggetto dei risultati le coordinate dei riquadri di delimitazione. Ciò include l'accesso alle coordinate normalizzate o ad attributi specifici come larghezza e altezza.
3. Gestione delle classificazioni: estrai le classificazioni principali per utilizzare in modo efficace gli ID delle classi e i punteggi di confidenza.

Applicazione pratica nel codice#

Passando dalla teoria alla pratica, Nicolai Nielsen dimostra come implementare questi concetti all'interno di uno script Python personalizzato usando Visual Studio Code. Lo script include:

• Configurazione di una classe per la rilevazione: inizializza e configura il tuo modello Ultralytics YOLOv8 all'interno di una struttura a classi, preparandolo per l'input di dati in tempo reale.
• Estrazione dei risultati: esegui la rilevazione ed estrai direttamente dall'oggetto dei risultati i riquadri di delimitazione, le maschere e le classificazioni.
• Utilizzo degli output: converti i risultati in formati utilizzabili come JSON o CSV, oppure usali direttamente per disegnare riquadri di delimitazione su immagini o flussi video.

Visualizzazione e oltre#

Sebbene l'estrazione dei dati grezzi sia fondamentale, la visualizzazione di queste rilevazioni può fornire informazioni immediate sulle prestazioni del modello:

• Disegno dei rettangoli: usa i dati dei riquadri di delimitazione per disegnare rettangoli attorno agli oggetti rilevati negli output di immagini o video.
• Tracciamento diretto: utilizza le funzioni di tracciamento integrate di Ultralytics YOLOv8 per visualizzare direttamente le rilevazioni senza scrivere codice aggiuntivo.

Amplia il tuo kit di strumenti di AI con Ultralytics YOLOv8#

Padroneggiare l'estrazione degli output di Ultralytics YOLOv8 non solo potenzia le capacità del tuo progetto, ma approfondisce anche la tua comprensione dei sistemi di rilevazione degli oggetti.

Seguendo questi passaggi, puoi sfruttare appieno la potenza di Ultralytics YOLOv8 per adattare le rilevazioni alle tue esigenze specifiche, sia nello sviluppo di applicazioni avanzate basate sull'AI sia nell'esecuzione di analisi dei dati robuste.

Resta sintonizzato per altri tutorial che ti aiuteranno a sfruttare al massimo Ultralytics YOLOv8 e altre tecnologie di AI. Trasforma le tue conoscenze teoriche in competenze pratiche e dai vita ai tuoi progetti di computer vision con precisione ed efficienza. Unisciti alla nostra community per rimanere aggiornato su tutti gli ultimi sviluppi e consulta la nostra documentazione per saperne di più!

Guarda il video completo!