Estrarre gli output da Ultralytics YOLOv8

Ultralytics YOLOv8 è un modello di visione artificiale ampiamente utilizzato per attività come il rilevamento degli oggetti, la segmentazione e il tracciamento. Che tu sia uno sviluppatore esperto o un principiante nel campo dell’intelligenza artificiale (AI), capire come estrarre efficacemente i risultati da YOLOv8 può migliorare notevolmente 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 passare all’estrazione dei risultati, è fondamentale assicurarsi che il modello Ultralytics YOLOv8 sia installato e funzionante. Se sei alle prime armi, puoi guardare i nostri video precedenti, in cui spieghiamo le basi della configurazione e dell’utilizzo dei modelli YOLO per diverse attività di visione artificiale. Per iniziare a estrarre i risultati, assicurati che il modello sia configurato correttamente:

1. Inizializzazione del modello: inizializza correttamente il modello Ultralytics YOLOv8, scegliendo la configurazione più adatta alle tue esigenze specifiche, che si tratti del rilevamento degli oggetti o di attività più complesse come la stima della posa.
2. Esecuzione dell’inferenza: inserisci i dati nel modello per eseguire l’inferenza. Il processo genererà un elenco di oggetti Results, uno per ogni immagine o fotogramma, che ti consentirà di accedere a tutti i dati di rilevamento.

Capire l'oggetto dei risultati#

Ogni oggetto Results in Ultralytics YOLOv8 contiene tutti i dati di rilevamento necessari per proseguire con il tuo progetto, tra cui:

• Riquadri di delimitazione: usa result.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 usando rispettivamente result.masks e result.keypoints.
• Probabilità di classe: result.probs contiene le probabilità di classe dei modelli di classificazione, mentre result.boxes.conf fornisce il punteggio di confidenza di ogni riquadro rilevato, utile per filtrare i rilevamenti.

Estrarre dati per usi personalizzati#

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

1. Convertire i dati per l’elaborazione: se esegui il modello su una GPU, converti gli output nel formato CPU usando .cpu() per elaborarli ulteriormente.
2. Accedere alle coordinate dei riquadri di delimitazione: recupera e manipola le coordinate dei riquadri di delimitazione direttamente dall'oggetto dei risultati. Puoi accedere alle coordinate normalizzate o ad attributi specifici come larghezza e altezza.
3. Gestire le classificazioni: estrai le classificazioni principali per usare efficacemente gli ID delle classi e i punteggi di confidenza.

Applicazione pratica nel codice#

Passando dalla teoria alla pratica, Nicolai Nielsen mostra come implementare questi concetti in uno script Python personalizzato usando Visual Studio Code. Lo script prevede:

• Configurare una classe di rilevamento: inizializza e configura il tuo modello Ultralytics YOLOv8 all'interno di una struttura a classi, preparandolo a ricevere dati in tempo reale.
• Estrarre i risultati: esegui il rilevamento ed estrai riquadri di delimitazione, maschere e classificazioni direttamente dall'oggetto dei risultati.
• Usare gli 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 altro#

Sebbene estrarre i dati grezzi sia fondamentale, visualizzare questi rilevamenti può fornire informazioni immediate sulle prestazioni del modello:

• Disegnare rettangoli: usa i dati dei riquadri di delimitazione per disegnare rettangoli attorno agli oggetti rilevati negli output di immagini o video.
• Disegno diretto: usa il metodo integrato result.plot() per visualizzare i rilevamenti senza scrivere altro codice.

Ampliare il tuo kit di strumenti 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 rilevamento degli oggetti.

Seguendo questi passaggi, puoi adattare i rilevamenti di Ultralytics YOLOv8 alle tue esigenze specifiche, sia che tu stia sviluppando applicazioni avanzate basate sull’AI sia che tu stia conducendo analisi approfondite dei dati.

Resta sintonizzato per altri tutorial su Ultralytics YOLOv8 e altre tecnologie AI. Unisciti alla nostra community per rimanere aggiornato su tutti gli ultimi sviluppi e dai un’occhiata alla nostra documentazione per saperne di più!

Guarda il video completo!