Estrarre gli output da Ultralytics YOLOv8

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

Link to this sectionConfigurazione di YOLOv8#

Prima di addentrarti nell'estrazione dei risultati, è fondamentale avere il tuo modello YOLOv8 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 vari compiti di computer vision. Per iniziare con l'estrazione dei risultati, assicurati che il tuo modello sia configurato correttamente:

1. Inizializzazione del modello: Inizializza il modello YOLOv8 in modo appropriato, assicurandoti di scegliere la configurazione corretta che soddisfa le tue esigenze specifiche, che si tratti di object detection o di compiti più complessi come la stima della posa (pose estimation).
2. Esecuzione dell'inferenza: Inserisci i tuoi dati attraverso il modello per eseguire l'inferenza. Questo processo genererà un oggetto dei risultati, che è la tua chiave per accedere a tutti i dati di rilevamento.

Link to this sectionComprendere l'oggetto dei risultati (results object)#

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

• BBox (Bounding Boxes): Usa results.boxes per accedere alle coordinate degli oggetti rilevati.
• Maschere e Keypoints: Accedi alle maschere di segmentazione e ai keypoints per la stima della posa utilizzando rispettivamente results.masks e results.keypoints.
• Probabilità di classe: results.probs fornisce la probabilità di ciascuna classe rilevata, utile per filtrare i rilevamenti basati sui punteggi di confidenza.

Link to this sectionEstrazione dei dati per uso personalizzato#

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

1. Conversione dei dati per l'elaborazione: Se stai eseguendo il tuo modello su una GPU, converti gli output in formato CPU usando .cpu() per un'ulteriore manipolazione.
2. Accesso alle coordinate delle BBox (Bounding Box): Recupera e manipola le coordinate delle bounding box direttamente dall'oggetto dei risultati. Ciò include l'accesso a coordinate normalizzate o ad attributi specifici come larghezza e altezza.
3. Gestione delle classificazioni: Estrai le migliori classificazioni per utilizzare efficacemente gli ID di classe e i punteggi di confidenza.

Link to this sectionApplicazione 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:

• Configurazione 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 usali direttamente per disegnare bounding box su immagini o flussi video.

Link to this sectionVisualizzazione e oltre#

Sebbene l'estrazione dei dati grezzi sia cruciale, visualizzare questi rilevamenti può fornire approfondimenti immediati sulle prestazioni del modello:

• Disegno di rettangoli: Usa i dati delle bounding box per disegnare rettangoli attorno agli oggetti rilevati in output di immagini o video.
• Plotting diretto: Utilizza le funzioni di plotting integrate di YOLOv8 per visualizzare direttamente i rilevamenti senza ulteriore programmazione.

Link to this sectionEspandi il tuo toolkit AI con YOLOv8#

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

Seguendo i passaggi, puoi sfruttare tutta la potenza di YOLOv8 per adattare i rilevamenti alle tue esigenze specifiche, sia nello sviluppo di applicazioni avanzate basate su AI che nella conduzione di un'analisi dati solida.

Resta sintonizzato per altri tutorial che ti aiuteranno a sfruttare al meglio YOLOv8 e altre tecnologie AI. Trasforma la tua conoscenza teorica 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 dai un'occhiata alla nostra documentazione per saperne di più!

Guarda il video completo Guarda il video completo!