Extração de resultados do Ultralytics YOLOv8

No domínio em constante mudança da visão por computador, 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 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. 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 informação. Contém todos os dados de deteção de que necessita para prosseguir com o 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 você estiver executando seu modelo em uma GPU, converta as saídas para o formato CPU usandocpu() 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

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.
  ‍
• 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 incorporadas no YOLOv8para visualizar diretamente as detecções sem codificação adicional.

Expandir o seu conjunto de ferramentas de IA com o YOLOv8

Dominar a extração de resultados 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! 

Assista ao vídeo completo aqui!