Extraindo resultados do Ultralytics YOLOv8

O Ultralytics YOLOv8 é um modelo de visão computacional amplamente utilizado em tarefas como a deteção de objetos, a segmentação e o rastreamento. Quer sejas um programador experiente ou estejas a começar na área da inteligência artificial (AI), compreender como extrair eficazmente os resultados do YOLOv8 pode melhorar significativamente os teus projetos. Esta publicação explica os passos práticos para extrair e utilizar os resultados do modelo YOLOv8.

Configuração do Ultralytics YOLOv8#

Antes de começar a extrair resultados, é fundamental ter o teu modelo Ultralytics YOLOv8 instalado e a funcionar. Se estás a começar, podes ver os nossos vídeos anteriores, nos quais abordamos os conceitos básicos da configuração e da utilização de modelos YOLO em várias tarefas de visão computacional. Para começar a extrair resultados, confirma que o teu modelo está configurado corretamente:

1. Inicialização do modelo: inicialize o modelo Ultralytics YOLOv8 adequadamente e escolha a configuração de modelo certa para suas necessidades específicas, seja para detecção de objetos ou para tarefas mais complexas, como estimativa de pose.
2. Execução de inferência: introduz os teus dados no modelo para realizar a inferência. Este processo gera uma lista de objetos Results, um por imagem ou fotograma, que te permite aceder a todos os dados de deteção.

Entendendo o objeto de resultados#

Cada objeto Results do Ultralytics YOLOv8 contém todos os dados de deteção necessários para avançar com o teu projeto, incluindo:

• Caixas delimitadoras: usa result.boxes para aceder às coordenadas dos objetos detetados.
• Máscaras e pontos-chave: acede às máscaras de segmentação e aos pontos-chave para estimativa de pose usando result.masks e result.keypoints, respetivamente.
• Probabilidades de classe: result.probs contém as probabilidades de classe dos modelos de classificação, enquanto result.boxes.conf fornece a pontuação de confiança de cada caixa detetada, útil para filtrar deteções.

Extração de dados para utilização personalizada#

Para usar estes resultados nas tuas aplicações, segue estes passos:

1. Converter dados para processamento: se estiveres a executar o modelo numa GPU, converte os resultados para o formato CPU utilizando .cpu() para os processar.
2. Aceder às coordenadas das caixas delimitadoras: obtém e manipula as coordenadas das caixas delimitadoras diretamente a partir do objeto de resultados. Isto inclui aceder às coordenadas normalizadas ou a atributos específicos, como a largura e a altura.
3. Tratar classificações: extrai as classificações principais para utilizar eficazmente os IDs de classe e as pontuações de confiança.

Aplicação prática no código#

Passando da teoria à prática, Nicolai Nielsen demonstra como implementar estes conceitos num script Python personalizado usando o Visual Studio Code. O script inclui:

• Configurar uma classe de deteção: inicializa e configura o teu modelo Ultralytics YOLOv8 numa estrutura de classe, preparando-o para receber dados em tempo real.
• Extrair resultados: executa a deteção e extrai caixas delimitadoras, máscaras e classificações diretamente do objeto de resultados.
• Utilizar os resultados: converte os resultados para formatos utilizáveis, como JSON ou CSV, ou usa-os diretamente para desenhar caixas delimitadoras em imagens ou fluxos de vídeo.

Visualização e muito mais#

Embora a extração de dados brutos seja crucial, visualizar estas deteções pode fornecer informações imediatas sobre o desempenho do modelo:

• Desenhar retângulos: usa os dados das caixas delimitadoras para desenhar retângulos à volta dos objetos detetados em imagens ou vídeos.
• Representação gráfica direta: utiliza o método integrado result.plot() para visualizar as deteções sem programação adicional.

Amplia o teu conjunto de ferramentas de IA com o Ultralytics YOLOv8#

Dominar a extração de resultados do Ultralytics YOLOv8 não só aumenta as capacidades do teu projeto, como também aprofunda a tua compreensão dos sistemas de deteção de objetos.

Seguindo estes passos, podes adaptar as deteções do Ultralytics YOLOv8 às tuas necessidades específicas, quer estejas a desenvolver aplicações avançadas baseadas em AI, quer a realizar análises de dados robustas.

Fica atento aos próximos tutoriais sobre o Ultralytics YOLOv8 e outras tecnologias de AI. Junta-te à nossa comunidade para acompanhares as novidades e consulta também a nossa documentação para saberes mais!

Vê o vídeo completo!