Extração de resultados do Ultralytics YOLOv8

No campo em constante mudança da visão por computador, o Ultralytics YOLOv8 destaca-se como um modelo de topo para tarefas como a deteção, segmentação e seguimento de objectos. Quer seja um programador experiente ou um principiante em inteligência artificial (IA), compreender como extrair eficazmente os resultados do YOLOv8 pode melhorar significativamente os seus projectos. Esta publicação do blogue analisa os passos práticos para extrair e utilizar os resultados do modelo YOLOv8.

Configurar o YOLOv8

Antes de mergulhar na extração de resultados, é crucial ter o seu modelo YOLOv8 instalado e a funcionar. Se for novo, pode ver os nossos vídeos anteriores, onde abordamos as noções básicas de configuração e utilização dos modelos YOLO para várias tarefas de visão computacional. Para começar com a extração de resultados, certifique-se de que o seu modelo está configurado corretamente:

1. Inicialização do modelo: Inicialize o modelo YOLOv8 adequadamente, certificando-se de escolher a configuração correta do modelo que atenda às suas necessidades específicas, seja a deteção de objetos ou tarefas mais complexas, como estimativa de pose.
   ‍
2. Executar a inferência: Introduza os seus dados através do modelo para efetuar a inferência. Este processo irá gerar um objeto de resultados, que é a sua chave para aceder a todos os dados de deteção.

Compreender o objeto de resultados

O objeto de resultados no YOLOv8 é uma mina de ouro de informação. Contém todos os dados de deteção de que necessita para prosseguir com o seu projeto, incluindo:

• Caixas de delimitação: Utilizar results.boxes para aceder às coordenadas dos objectos detectados.
  ‍
• Máscaras e pontos-chave: Aceder a máscaras de segmentação e pontos-chave para estimativa de pose utilizando results.masks e results.keypoints respetivamente.
  ‍
• Probabilidades de classe: results.probabilities fornece a probabilidade de cada classe detectada, útil para filtrar as detecções com base nas pontuações de confiança.

Extração de dados para utilização personalizada

Para utilizar estas saídas nas suas aplicações, siga estes passos:

1. Converter dados para processamento: Se você estiver executando seu modelo em uma GPU, converta as saídas para o formato da CPU usando .cpu() para manipulação posterior.
   ‍
2. Aceder às coordenadas da caixa delimitadora: Recuperar e manipular coordenadas de caixa delimitadora diretamente a partir do objeto de resultados. Isto inclui aceder a coordenadas normalizadas ou a atributos específicos como a largura e a altura.
   ‍
3. Manipulação de classificações: Extrair as principais classificações para utilizar IDs de classe e pontuações de confiança de forma eficaz.

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:

• Configurando uma classe de deteção: Inicialize e configure seu modelo YOLOv8 dentro de uma estrutura de classe, preparando-o para a entrada de dados ao vivo.
  ‍
• Extrair resultados: Executar a deteção e extrair caixas delimitadoras, máscaras e classificações diretamente do objeto de resultados.
  ‍
• Utilização de saídas: Converta os resultados em formatos utilizáveis, como JSON ou CSV, ou utilize-os diretamente para desenhar caixas delimitadoras em imagens ou fluxos de vídeo.

Visualização e muito mais

Embora a extração de dados em bruto seja crucial, a visualização destas detecções pode fornecer informações imediatas sobre o desempenho do modelo:

• Desenhar rectângulos: Utilize dados de caixa delimitadora para desenhar rectângulos à volta de objectos detectados em saídas de imagem ou vídeo.
  ‍
• Plotagem direta: Utilize as funções de plotagem incorporadas no YOLOv8 para visualizar diretamente as detecções sem codificação adicional.

Expandir o seu conjunto de ferramentas de IA com o YOLOv8

Dominar a extração de resultados do YOLOv8 não só aumenta as capacidades do seu projeto, como também aprofunda a sua compreensão dos sistemas de deteção de objectos.

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

Fique atento a mais tutoriais que o ajudarão a tirar o máximo partido do YOLOv8 e de outras tecnologias de IA. Transforme os seus conhecimentos teóricos em competências práticas e dê vida aos seus projectos de visão computacional com precisão e eficiência. Junte-se à nossa comunidade para se manter atualizado com todos os desenvolvimentos mais recentes e consulte os nossos documentos para saber mais! 

Veja o vídeo completo aqui!