Extrair resultados 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 deteção de objetos, segmentação e rastreamento. Quer sejas um programador experiente ou um iniciante em inteligência artificial (AI), compreender como extrair resultados do YOLOv8 de forma eficaz pode melhorar significativamente os teus projetos. Esta publicação do blogue explora os passos práticos para extrair e utilizar resultados do modelo YOLOv8.

Configurar o Ultralytics YOLOv8#

Antes de começares a extrair resultados, é essencial ter o teu modelo Ultralytics YOLOv8 configurado e em funcionamento. Se és novo neste tema, podes ver os nossos vídeos anteriores, nos quais abordamos os conceitos básicos de configuração e utilização de modelos YOLO para várias tarefas de visão computacional. Para começares a extrair resultados, certifica-te de que o teu modelo está configurado corretamente:

1. Inicialização do modelo: Inicializa o modelo Ultralytics YOLOv8 adequadamente, escolhendo a configuração de modelo certa para as tuas necessidades específicas, seja para deteção de objetos ou para tarefas mais complexas, como estimativa de pose.
2. Execução da inferência: Introduz os teus dados no 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 deteção.

Compreender o objeto de resultados#

O objeto de resultados do Ultralytics YOLOv8 é uma fonte valiosa de informações. Contém todos os dados de deteção necessários para prosseguires com o teu projeto, incluindo:

• Caixas delimitadoras: Utiliza results.boxes para aceder às coordenadas dos objetos detetados.
• Máscaras e pontos-chave: Acede às máscaras de segmentação e aos pontos-chave para a estimativa de pose utilizando results.masks e results.keypoints, respetivamente.
• Probabilidades das classes: results.probs fornece a probabilidade de cada classe detetada, sendo útil para filtrar deteções com base nas pontuações de confiança.

Extrair dados para utilização personalizada#

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

1. Converter dados para processamento: Se estiveres a executar o teu modelo numa GPU, converte os resultados para o formato CPU utilizando .cpu() para poderes manipulá-los posteriormente.
2. Aceder às coordenadas das caixas delimitadoras: Obtém e manipula diretamente as coordenadas das caixas delimitadoras a partir do objeto de resultados. Isto inclui aceder a coordenadas normalizadas ou a atributos específicos, como largura e altura.
3. Processar classificações: Extrai as principais classificações para utilizares eficazmente os IDs das classes e as pontuações de confiança.

Aplicação prática em código#

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

• Configurar uma classe de deteção: Inicializa e configura o teu modelo Ultralytics YOLOv8 dentro de uma 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 resultados: Converte os resultados para formatos utilizáveis, como JSON ou CSV, ou utiliza-os diretamente para desenhar caixas delimitadoras em imagens ou transmissões de vídeo.

Visualização e muito mais#

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

• Desenhar retângulos: Utiliza os dados das caixas delimitadoras para desenhar retângulos à volta dos objetos detetados nas imagens ou nos vídeos de saída.
• Plotagem direta: Utiliza as funções de plotagem integradas do Ultralytics YOLOv8 para visualizar diretamente as deteções sem programação adicional.

Expandir o teu conjunto de ferramentas de AI 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.

Ao seguires estes passos, podes aproveitar todo o potencial do Ultralytics YOLOv8 para adaptares as deteções às tuas necessidades específicas, seja no desenvolvimento de aplicações avançadas baseadas em AI ou na realização de análises de dados robustas.

Fica atento a mais tutoriais que te ajudarão a tirar o máximo partido do Ultralytics YOLOv8 e de outras tecnologias de AI. Transforma os teus conhecimentos teóricos 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 sobre os desenvolvimentos mais recentes e consulta a nossa documentação para saberes mais!

Vê o vídeo completo!