Extrair saídas de Ultralytics YOLOv8

No campo em constante mudança da visão computacional, Ultralytics YOLOv8 destaca-se como um modelo de topo para tarefas como a deteção, segmentação e seguimento de objectos. Quer sejas um programador experiente ou um principiante em inteligência artificial (IA), compreender como extrair eficazmente os resultados de YOLOv8 pode melhorar significativamente os teus 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 teu modelo YOLOv8 instalado e a funcionar. Se fores novo, podes 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, certifica-te de que o teu modelo está configurado corretamente:

1. Inicialização do modelo: Inicializa o modelo YOLOv8 de forma adequada, certificando-se de que escolhe a configuração de modelo correcta que se adequa às suas necessidades específicas, quer se trate de deteção de objectos ou de tarefas mais complexas como a estimativa de pose.
2. Executa a inferência: Introduz os teus dados através do modelo para efetuar a inferência. Este processo irá gerar um objeto de resultados, que é a tua chave para acederes a todos os dados de deteção.

Compreender o objeto de resultados

O objeto de resultados em 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: Usa results.boxes para acederes às coordenadas dos objectos detectados.
• Máscaras e pontos-chave: Acessa máscaras de segmentação e pontos-chave para estimativa de pose usando 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 em pontuações de confiança.

Extração de dados para uso personalizado

Para utilizar estas saídas nas tuas aplicações, segue estes passos:

1. Converte os dados para processamento: Se estiveres a executar o teu modelo numa GPU, converte os resultados para o formato CPU utilizando .cpu() para posterior manipulação.
2. Aceder às coordenadas da caixa delimitadora: Recupera e manipula as coordenadas da caixa delimitadora diretamente do objeto de resultados. Isso inclui o acesso a coordenadas normalizadas ou atributos específicos como largura e altura.
3. Manipulação de classificações: Extrai as melhores 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:

• Configura uma classe de deteção: Inicializa e configura o teu modelo YOLOv8 dentro de uma estrutura de classe, preparando-o para a entrada de dados em tempo real.
• Extrair resultados: Executa a deteção e extrai caixas delimitadoras, máscaras e classificações diretamente do objeto de resultados.
• Utiliza as saídas: Converte os resultados em formatos utilizáveis, como JSON ou CSV, ou utiliza-os diretamente para desenhar caixas delimitadoras em imagens ou fluxos de vídeo.

Visualização e mais além

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

• Desenha retângulos: Utiliza os dados da caixa delimitadora para desenhar rectângulos à volta dos objectos detectados nas saídas de imagem ou vídeo.
• Plotagem direta: Utiliza as funções de plotagem integradas do YOLOv8para visualizar diretamente as detecções sem codificação adicional.

Expandir o teu conjunto de ferramentas de IA com YOLOv8

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

Seguindo estes passos, podes tirar partido de todo o potencial do YOLOv8 para adaptar as detecções às tuas necessidades específicas, quer 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 tirar partido de YOLOv8 e de outras tecnologias de IA para o seu potencial máximo. Transforma os teus conhecimentos teóricos em competências práticas e dá vida aos teus projectos de visão por computador com precisão e eficiência. Junta-te à nossa comunidade para te manteres atualizado sobre os últimos desenvolvimentos e consulta os nossos documentos para saberes mais! 

Vê o vídeo completo aqui!