Estrazione degli output da Ultralytics YOLOv8

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

Configurazione di YOLOv8

Prima di immergerti nell'estrazione dei risultati, è fondamentale che il tuo modello YOLOv8 sia attivo e funzionante. Se sei nuovo, puoi guardare i nostri video precedenti in cui trattiamo le basi della configurazione e dell'utilizzo dei modelli YOLO per varie attività di computer vision. Per iniziare con l'estrazione dei risultati, assicurati che il tuo modello sia configurato correttamente:

1. Inizializzazione del modello: inizializzare il modello YOLOv8 in modo appropriato, assicurandosi di scegliere la configurazione del modello giusta che si adatti alle proprie esigenze specifiche, che si tratti di object detection o di attività più complesse come la stima della posa.
   ‍
2. Esecuzione dell'inferenza: inserisci i tuoi dati attraverso il modello per eseguire l'inferenza. Questo processo genererà un oggetto di risultati, che è la tua chiave per accedere a tutti i dati di rilevamento.

Comprendere l'oggetto dei risultati

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

• Bounding Box: Utilizzo results.boxes per accedere alle coordinate degli oggetti rilevati.
  ‍
• Maschere e punti chiave: accedi alle maschere di segmentazione e ai punti chiave per la stima della posa utilizzando results.masks e results.keypoints rispettivamente.
  ‍
• Probabilità delle classi: results.probabilities fornisce la probabilità di ogni classe rilevata, utile per filtrare i rilevamenti in base ai punteggi di confidenza.

Estrazione di dati per uso personalizzato

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

1. Converti i dati per l'elaborazione: se stai eseguendo il tuo modello su una GPU, converti gli output in formato CPU usando .cpu() per ulteriori manipolazioni.
   ‍
2. Accesso alle coordinate del riquadro di delimitazione: recupera e manipola le coordinate del riquadro di delimitazione direttamente dall'oggetto dei risultati. 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 efficacemente gli ID di classe 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 utilizzando Visual Studio Code. Lo script prevede:

• Impostazione di una classe di rilevamento: inizializza e configura il tuo modello YOLOv8 all'interno di una struttura di classe, preparandolo per l'input di dati in tempo reale.
  ‍
• Estrazione dei risultati: esegui il rilevamento ed estrai bounding box, maschere e classificazioni direttamente dall'oggetto dei risultati.
  ‍
• Utilizzo degli output: converti i risultati in formati utilizzabili come JSON o CSV, oppure utilizzali direttamente per disegnare bounding box su immagini o flussi video.

Visualizzazione e oltre

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

• Disegno di rettangoli: utilizza i dati dei bounding box per disegnare rettangoli attorno agli oggetti rilevati nelle immagini o negli output video.
  ‍
• Plotting Diretto: Utilizza le funzioni di plotting integrate di YOLOv8 per visualizzare direttamente i rilevamenti senza codice aggiuntivo.

Ampliare il tuo kit di strumenti AI con YOLOv8

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

Seguendo questi passaggi, è possibile sfruttare tutta la potenza di YOLOv8 per adattare i rilevamenti alle proprie esigenze specifiche, sia nello sviluppo di applicazioni avanzate basate sull'intelligenza artificiale, sia nella conduzione di analisi dei dati solide.

Resta sintonizzato per altri tutorial che ti aiuteranno a sfruttare al massimo YOLOv8 e altre tecnologie di IA. 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 qui!