Извлечение результатов из Ultralytics YOLOv8

Ultralytics YOLOv8 — широко используемая модель компьютерного зрения для таких задач, как обнаружение объектов, сегментация и отслеживание. Независимо от того, опытный ты разработчик или только начинаешь изучать искусственный интеллект (AI), понимание того, как эффективно извлекать результаты из YOLOv8, может значительно улучшить твои проекты. В этой статье блога описаны практические шаги по извлечению и использованию результатов модели YOLOv8.

Настройка Ultralytics YOLOv8#

Прежде чем переходить к извлечению результатов, важно подготовить модель Ultralytics YOLOv8 к работе. Если ты только начинаешь, посмотри наши предыдущие видео, где мы разбираем основы настройки и использования моделей YOLO для различных задач компьютерного зрения. Чтобы начать извлекать результаты, убедись, что модель правильно настроена:

1. Инициализация модели: Инициализируй модель Ultralytics YOLOv8 соответствующим образом и выбери конфигурацию модели, подходящую для твоих задач: от обнаружения объектов до более сложных задач, например оценки позы.
2. Запуск инференса: передай данные модели для выполнения инференса. В результате будет создан список объектов Results, по одному на каждое изображение или кадр. Через эти объекты можно получить доступ ко всем данным обнаружения.

Разбираемся в объекте результатов#

Каждый объект Results в Ultralytics YOLOv8 содержит все данные обнаружения, необходимые для дальнейшей работы над проектом, в том числе:

• Ограничивающие рамки: используй result.boxes, чтобы получить координаты обнаруженных объектов.
• Маски и ключевые точки: получай маски сегментации и ключевые точки для оценки позы с помощью result.masks и result.keypoints соответственно.
• Вероятности классов: result.probs хранит вероятности классов, полученные моделями классификации, а result.boxes.conf содержит оценку уверенности для каждого обнаруженного объекта, что полезно для фильтрации результатов обнаружения.

Извлечение данных для собственного использования#

Чтобы использовать эти результаты в своих приложениях, выполни следующие шаги:

1. Преобразование данных для обработки: если ты запускаешь модель на GPU, преобразуй выходные данные в формат CPU с помощью .cpu(), чтобы продолжить их обработку.
2. Получение координат ограничивающих рамок: извлекай координаты ограничивающих рамок непосредственно из объекта результатов и работай с ними. В том числе можно получить нормализованные координаты или отдельные атрибуты, например ширину и высоту.
3. Работа с классификациями: извлекай наиболее вероятные классификации, чтобы эффективно использовать идентификаторы классов и оценки достоверности.

Практическое применение в коде#

Переходя от теории к практике, Николай Нильсен показывает, как реализовать эти концепции в собственном скрипте Python с помощью Visual Studio Code. Скрипт включает:

• Создание класса обнаружения: инициализируй и настрой модель Ultralytics YOLOv8 в структуре класса, подготовив её к обработке входных данных в реальном времени.
• Извлечение результатов: запускай обнаружение и извлекай ограничивающие рамки, маски и классификации непосредственно из объекта результатов.
• Использование результатов: преобразуй результаты в удобные форматы, например JSON или CSV, либо используй их напрямую для отрисовки ограничивающих рамок на изображениях или видеопотоках.

Визуализация и не только#

Хотя извлечение исходных данных крайне важно, визуализация обнаруженных объектов позволяет сразу оценить работу модели:

• Отрисовка прямоугольников: используй данные ограничивающих рамок, чтобы обвести обнаруженные объекты на изображениях или видеозаписях.
• Построение графиков напрямую: используй встроенный метод result.plot(), чтобы визуализировать обнаруженные объекты без дополнительного кода.

Расширь свой набор инструментов ИИ с помощью Ultralytics YOLOv8#

Умение извлекать результаты Ultralytics YOLOv8 не только расширяет возможности проекта, но и помогает глубже разобраться в системах обнаружения объектов.

Следуя этим шагам, ты сможешь адаптировать результаты обнаружения Ultralytics YOLOv8 под свои задачи — будь то разработка продвинутых приложений на базе AI или комплексный анализ данных.

Следи за новыми руководствами по Ultralytics YOLOv8 и другим технологиям AI. Присоединяйся к нашему сообществу, чтобы быть в курсе последних новостей, и заглядывай в нашу документацию, чтобы узнать больше!

Смотри полное видео!