Extraindo saídas do Ultralytics YOLOv8

No campo em constante evolução da visão computacional, o Ultralytics YOLOv8 destaca-se como um modelo de alto nível para tarefas como detecção, segmentação e rastreamento. Quer sejas um desenvolvedor experiente ou um iniciante em inteligência artificial (AI), entender como extrair resultados de forma eficaz do YOLOv8 pode melhorar significativamente os teus projetos. Esta publicação no blog explora os passos práticos para extrair e utilizar os resultados do modelo YOLOv8.

Link to this sectionConfigurando o YOLOv8#

Antes de mergulhar na extração de resultados, é crucial ter o teu modelo YOLOv8 em funcionamento. Se és novo nisto, podes ver os nossos vídeos anteriores onde cobrimos os conceitos básicos de configuração e utilização de modelos YOLO para várias tarefas de visão computacional. Para começar com a extração de resultados, garante que o teu modelo está configurado corretamente:

1. Inicialização do modelo: Inicializa o modelo YOLOv8 adequadamente, certificando-te de que escolhes a configuração de modelo correta que se adapta às tuas necessidades específicas, seja para detecção de objetos ou tarefas mais complexas como estimativa de pose.
2. Execução da inferência: Introduz os teus dados através do modelo para realizar a inferência. Este processo irá gerar um objeto de resultados, que é a tua chave para aceder a todos os dados de detecção.

Link to this sectionCompreendendo o objeto de resultados#

O objeto de resultados no YOLOv8 é uma mina de ouro de informações. Ele contém todos os dados de detecção de que precisas para prosseguir com o teu projeto, incluindo:

• BBox (caixas delimitadoras): Usa results.boxes para aceder às coordenadas dos objetos detetados.
• Máscaras e pontos-chave: Acede a máscaras de segmentação e pontos-chave para estimativa de pose utilizando results.masks e results.keypoints respetivamente.
• Probabilidades de classe: results.probs fornece a probabilidade de cada classe detetada, útil para filtrar detecções com base em pontuações de confiança.

Link to this sectionExtraindo dados para uso personalizado#

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

1. Converter dados para processamento: Se estiveres a executar o teu modelo num GPU, converte os resultados para o formato CPU usando .cpu() para manipulação posterior.
2. Acedendo às coordenadas da BBox: Recupera e manipula as coordenadas da caixa delimitadora diretamente a partir do objeto de resultados. Isto inclui aceder a coordenadas normalizadas ou atributos específicos como largura e altura.
3. Lidando com classificações: Extrai as principais classificações para utilizar IDs de classe e pontuações de confiança de forma eficaz.

Link to this sectionAplicação prática em código#

Passando da teoria para a prática, Nicolai Nielsen demonstra como implementar estes conceitos dentro de um script Python personalizado usando o Visual Studio Code. O script envolve:

• Configurando uma classe de detecção: Inicializa e configura o teu modelo YOLOv8 dentro de uma estrutura de classe, preparando-o para a entrada de dados em tempo real.
• Extraindo resultados: Executa a detecção e extrai caixas delimitadoras, máscaras e classificações diretamente a partir do objeto de resultados.
• Utilizando os resultados: Converte os resultados em formatos utilizáveis como JSON ou CSV, ou usa-os diretamente para desenhar caixas delimitadoras em imagens ou fluxos de vídeo.

Link to this sectionVisualização e além#

Embora a extração de dados brutos seja crucial, visualizar estas detecções pode fornecer insights imediatos sobre o desempenho do modelo:

• Desenhando retângulos: Usa dados de caixa delimitadora para desenhar retângulos à volta de objetos detetados em resultados de imagem ou vídeo.
• Plotagem direta: Utiliza as funções de plotagem integradas do YOLOv8 para visualizar diretamente as detecções sem código adicional.

Link to this sectionExpandindo o teu kit de ferramentas de IA com o YOLOv8#

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

Ao seguir os passos, podes aproveitar todo o potencial do YOLOv8 para adaptar as detecções às tuas necessidades específicas, seja no desenvolvimento de aplicações avançadas baseadas em IA ou na realização de análises de dados robustas.

Fica atento a mais tutoriais que te ajudarão a alavancar o YOLOv8 e outras tecnologias de IA no seu potencial máximo. Transforma o teu conhecimento teórico em competências práticas e dá vida aos teus projetos de visão computacional com precisão e eficiência. Junta-te à nossa comunidade para te manteres atualizado com todas as últimas novidades, bem como consulta a nossa documentação para saberes mais!

Assiste ao vídeo completo Watch the full video!