Extraindo saídas do Ultralytics YOLOv8

No campo em constante mudança da visão computacional, o Ultralytics YOLOv8 se destaca como um modelo de primeira linha para tarefas como detecção de objetos, segmentação e rastreamento. Seja você um desenvolvedor experiente ou um iniciante em inteligência artificial (IA), entender como extrair efetivamente as saídas do YOLOv8 pode aprimorar significativamente seus projetos. Esta postagem do blog se aprofunda nas etapas práticas para extrair e usar os resultados do modelo YOLOv8.

Configurando o YOLOv8

Antes de mergulhar na extração de resultados, é crucial ter seu modelo YOLOv8 funcionando. Se você é novo, pode assistir aos nossos vídeos anteriores, onde abordamos o básico da configuração e do uso de modelos YOLO para várias tarefas de visão computacional. Para começar com a extração de resultados, certifique-se de que seu modelo esteja configurado corretamente:

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

Entendendo o objeto de resultados

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

• Caixas Delimitadoras: Use results.boxes para acessar as coordenadas dos objetos detectados.
  ‍
• Máscaras e Pontos-Chave: Acesse máscaras de segmentação e pontos-chave para estimativa de pose usando results.masks e results.keypoints respectivamente.
  ‍
• Probabilidades de Classe: results.probabilities fornece a probabilidade de cada classe detectada, útil para filtrar detecções com base em escores de confiança.

Extraindo dados para uso personalizado

Para usar estes resultados nas suas aplicações, siga estes passos:

1. Converter Dados para Processamento: Se estiver a executar o seu modelo numa GPU, converta os resultados para o formato CPU usando .cpu() para manipulação posterior.
   ‍
2. Acessando as Coordenadas da Bounding Box: Recupere e manipule as coordenadas da bounding box diretamente do objeto de resultados. Isso inclui o acesso a coordenadas normalizadas ou atributos específicos, como largura e altura.
   ‍
3. Gerenciando Classificações: Extraia as principais classificações para utilizar os IDs de classe e os scores de confiança de forma eficaz.

Aplicação prática em código

Fazendo a transição 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: Inicialize e configure seu modelo YOLOv8 dentro de uma estrutura de classe, preparando-o para entrada de dados ao vivo.
  ‍
• Extraindo Resultados: Execute a detecção e extraia bounding boxes, máscaras e classificações diretamente do objeto de resultados.
  ‍
• Utilizando Resultados: Converta os resultados em formatos utilizáveis, como JSON ou CSV, ou use-os diretamente para desenhar bounding boxes em imagens ou fluxos de vídeo.

Visualização e além

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

• Desenhando Retângulos: Use os dados da bounding box para desenhar retângulos ao redor dos objetos detectados em saídas de imagem ou vídeo.
  ‍
• Plotagem Direta: Utilize as funções de plotagem integradas do YOLOv8 para visualizar diretamente as detecções sem codificação adicional.

Expandindo seu conjunto de ferramentas de IA com YOLOv8

Dominar a extração de saída do YOLOv8 não apenas aumenta as capacidades do seu projeto, mas também aprofunda sua compreensão dos sistemas de detecção de objetos.

Seguindo os passos, você pode aproveitar todo o poder do YOLOv8 para adaptar as detecções às suas necessidades específicas, seja no desenvolvimento de aplicações avançadas orientadas por IA ou na condução de análises de dados robustas.

Fique atento para mais tutoriais que o ajudarão a aproveitar ao máximo o YOLOv8 e outras tecnologias de IA. Transforme seu conhecimento teórico em habilidades práticas e dê vida aos seus projetos de visão computacional com precisão e eficiência. Junte-se à nossa comunidade para se manter atualizado com todos os desenvolvimentos mais recentes, bem como confira nossos documentos para saber mais! 

Assista ao vídeo completo aqui!