Извлечение результатов из Ultralytics YOLOv8

В постоянно меняющейся области компьютерного зрения, Ultralytics YOLOv8 выделяется как модель высшего уровня для таких задач, как обнаружение, сегментация и отслеживание объектов. Независимо от того, являетесь ли вы опытным разработчиком или новичком в области искусственного интеллекта (ИИ), понимание того, как эффективно извлекать результаты из YOLOv8 , может значительно улучшить ваши проекты. В этом блоге мы рассмотрим практические шаги по извлечению и использованию результатов из модели YOLOv8 .

Настройка YOLOv8

Прежде чем приступать к извлечению результатов, важно, чтобы ваша модель YOLOv8 была запущена. Если вы новичок, вы можете посмотреть наши предыдущие видео, в которых мы рассказываем об основах настройки и использования моделей YOLO для различных задач компьютерного зрения. Чтобы приступить к извлечению результатов, убедитесь, что ваша модель настроена правильно:

1. Инициализация модели: Инициализируйте модель YOLOv8 соответствующим образом, убедившись, что вы выбрали правильную конфигурацию модели, которая соответствует вашим конкретным потребностям, будь то обнаружение объектов или более сложные задачи, такие как оценка позы.
   ‍
2. Выполнение инференса: передайте ваши данные через модель для выполнения инференса. Этот процесс сгенерирует объект результатов, который является вашим ключом к доступу ко всем данным обнаружения.

Понимание объекта результатов

Объект результатов в YOLOv8 - это золотая жила информации. Он содержит все данные об обнаружении, необходимые для продолжения работы над проектом, включая:

• Ограничивающие рамки: Применение results.boxes для доступа к координатам обнаруженных объектов.
  ‍
• Маски и ключевые точки: доступ к маскам сегментации и ключевым точкам для оценки позы с использованием results.masks и results.keypoints соответственно.
  ‍
• Вероятности классов: results.probabilities предоставляет вероятность каждого обнаруженного класса, что полезно для фильтрации обнаружений на основе оценок достоверности.

Извлечение данных для пользовательского использования

Чтобы использовать эти выходные данные в своих приложениях, выполните следующие действия:

1. Преобразуйте данные для обработки: Если вы запускаете модель на GPU, преобразуйте выходные данные в формат CPU с помощьюcpu() для дальнейшей работы с ними.
   ‍
2. Доступ к координатам ограничивающего прямоугольника: Получайте и обрабатывайте координаты ограничивающего прямоугольника непосредственно из объекта результатов. Это включает в себя доступ к нормализованным координатам или конкретным атрибутам, таким как ширина и высота.
   ‍
3. Обработка классификаций: извлечение верхних классификаций для эффективного использования идентификаторов классов и оценок достоверности.

Практическое применение в коде

Переходя от теории к практике, Николай Нильсен демонстрирует, как реализовать эти концепции в пользовательском скрипте Python с помощью Visual Studio Code. Сценарий включает в себя:

• Настройка класса обнаружения: Инициализируйте и настройте модель YOLOv8 в структуре класса, подготовив ее к вводу данных в реальном времени.
  ‍
• Извлечение результатов: запустите обнаружение и извлеките ограничивающие рамки, маски и классификации непосредственно из объекта результатов.
  ‍
• Использование результатов: Преобразуйте результаты в удобные форматы, такие как JSON или CSV, или используйте их непосредственно для рисования ограничивающих рамок на изображениях или видеопотоках.

Визуализация и не только

Хотя извлечение необработанных данных имеет решающее значение, визуализация этих обнаружений может дать немедленное представление о производительности модели:

• Рисование прямоугольников: используйте данные ограничивающей рамки для рисования прямоугольников вокруг обнаруженных объектов на изображениях или видео.
  ‍
• Прямое черчение: Используйте встроенные в YOLOv8функции построения графиков для прямой визуализации обнаружений без дополнительного кодирования.

Расширение набора инструментов искусственного интеллекта с помощью YOLOv8

Освоение извлечения выходных данных YOLOv8 не только расширит возможности вашего проекта, но и углубит ваше понимание систем обнаружения объектов.

Выполнив следующие шаги, вы сможете использовать всю мощь YOLOv8 для адаптации обнаружения к вашим конкретным потребностям, будь то разработка передовых приложений на основе искусственного интеллекта или проведение тщательного анализа данных.

Следите за новыми уроками, которые помогут вам использовать YOLOv8 и другие технологии ИИ в полной мере. Превратите свои теоретические знания в практические навыки и воплотите в жизнь свои проекты по компьютерному зрению с точностью и эффективностью. Присоединяйтесь к нашему сообществу, чтобы быть в курсе всех последних событий, а также изучайте нашу документацию, чтобы узнать больше! 

Смотрите полное видео здесь!