Извлечение результатов из Ultralytics YOLOv8

В постоянно меняющейся области компьютерного зрения Ultralytics YOLOv8 выделяется как первоклассная модель для таких задач, как обнаружение, сегментация и отслеживание. Независимо от того, опытный ли ты разработчик или новичок в области искусственного интеллекта (ИИ), понимание того, как эффективно извлекать выходные данные из YOLOv8, может значительно улучшить твои проекты. В этой статье мы подробно рассмотрим практические шаги по извлечению и использованию результатов работы модели YOLOv8.

Link to this sectionНастройка YOLOv8#

Прежде чем переходить к извлечению результатов, важно, чтобы твоя модель YOLOv8 была готова к работе. Если ты новичок, можешь посмотреть наши предыдущие видео, где мы рассматриваем основы настройки и использования моделей YOLO для различных задач компьютерного зрения. Чтобы начать извлечение результатов, убедись, что модель настроена правильно:

1. Инициализация модели: инициализируй модель YOLOv8 должным образом, убедившись, что выбрал правильную конфигурацию, соответствующую твоим конкретным задачам, будь то обнаружение объектов или более сложные задачи, такие как оценка позы.
2. Запуск инференса: передай данные через модель для выполнения инференса. Этот процесс создаст объект результатов, который является ключом к доступу ко всем данным обнаружения.

Link to this sectionПонимание объекта результатов#

Объект результатов в YOLOv8 — это кладезь информации. Он содержит все данные обнаружения, необходимые для дальнейшей работы над проектом, включая:

• Bounding Boxes: используй results.boxes для получения доступа к координатам обнаруженных объектов.
• Маски и ключевые точки: используй results.masks и results.keypoints для доступа к маскам сегментации и ключевым точкам для оценки позы соответственно.
• Вероятности классов: results.probs предоставляет вероятность для каждого обнаруженного класса, что полезно для фильтрации результатов на основе оценок уверенности.

Link to this sectionИзвлечение данных для собственных нужд#

Чтобы использовать эти выходные данные в своих приложениях, следуй этим шагам:

1. Преобразование данных для обработки: если ты запускаешь модель на GPU, преобразуй выходные данные в формат CPU с помощью .cpu() для дальнейших манипуляций.
2. Доступ к координатам Bounding Box: получай и обрабатывай координаты bounding box напрямую из объекта результатов. Это включает доступ к нормализованным координатам или конкретным атрибутам, таким как ширина и высота.
3. Обработка классификаций: извлекай основные классификации, чтобы эффективно использовать идентификаторы классов и оценки уверенности.

Link to this sectionПрактическое применение в коде#

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

• Создание класса обнаружения: инициализируй и настрой модель YOLOv8 внутри структуры класса, подготавливая её к приему данных в реальном времени.
• Извлечение результатов: запусти обнаружение и извлеки bounding boxes, маски и классификации прямо из объекта результатов.
• Использование выходных данных: конвертируй результаты в удобные форматы, такие как JSON или CSV, или используй их напрямую для рисования bounding boxes на изображениях или видеопотоках.

Link to this sectionВизуализация и не только#

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

• Рисование прямоугольников: используй данные bounding box, чтобы нарисовать прямоугольники вокруг обнаруженных объектов на изображениях или видео.
• Прямое отображение: используй встроенные функции построения графиков YOLOv8 для визуализации обнаружений без написания дополнительного кода.

Link to this sectionРасширяй свой набор инструментов ИИ с помощью YOLOv8#

Освоение извлечения результатов YOLOv8 не только расширяет возможности твоего проекта, но и углубляет понимание систем обнаружения объектов.

Следуя этим шагам, ты сможешь использовать всю мощь YOLOv8 для адаптации обнаружений под свои нужды, будь то разработка продвинутых приложений на базе ИИ или проведение качественного анализа данных.

Следи за обновлениями: мы подготовим еще больше руководств, которые помогут тебе максимально использовать YOLOv8 и другие технологии ИИ. Превращай теоретические знания в практические навыки и воплощай свои проекты в области компьютерного зрения с точностью и эффективностью. Присоединяйся к нашему сообществу, чтобы быть в курсе всех последних событий, а также загляни в нашу документацию, чтобы узнать больше!

Посмотри полное видео Watch the full video!