Извлечение выходных данных из Ultralytics YOLOv8

В постоянно меняющейся области компьютерного зрения Ultralytics YOLOv8 выделяется как модель высшего уровня для таких задач, как обнаружение объектов, сегментация и отслеживание. Независимо от того, являетесь ли вы опытным разработчиком или новичком в области искусственного интеллекта (AI), понимание того, как эффективно извлекать выходные данные из YOLOv8, может значительно улучшить ваши проекты. Эта статья в блоге посвящена практическим шагам по извлечению и использованию результатов из модели YOLOv8.

Настройка YOLOv8

Прежде чем перейти к извлечению результатов, важно, чтобы ваша модель YOLOv8 была запущена и работала. Если вы новичок, вы можете посмотреть наши предыдущие видео, в которых мы рассматриваем основы настройки и использования моделей YOLO для различных задач компьютерного зрения. Чтобы начать извлечение результатов, убедитесь, что ваша модель настроена правильно:

1. Инициализация модели: правильно инициализируйте модель YOLOv8, 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 обнаружения, необходимые для продолжения вашего проекта, в том числе:

• 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. Преобразование данных для обработки: Если вы запускаете свою модель на GPU, преобразуйте выходные данные в формат CPU, используя .cpu() для дальнейшей обработки.
   ‍
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 использованием Visual Studio Code. Скрипт включает в себя:

• Настройка класса обнаружения: инициализируйте и настройте свою модель YOLOv8 в структуре класса, подготавливая ее для ввода 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.
  ‍
• Прямая визуализация: используйте встроенные функции визуализации YOLOv8 для непосредственной визуализации обнаружений без дополнительного кодирования.

Расширение вашего набора инструментов ИИ с помощью YOLOv8

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

Следуя этим шагам, вы сможете использовать всю мощь YOLOv8 для адаптации обнаружений к вашим конкретным потребностям, будь то разработка передовых приложений на основе искусственного интеллекта или проведение надежного анализа данных.

Следите за новыми руководствами, которые помогут вам использовать YOLOv8 и другие технологии искусственного интеллекта в полной мере. Превратите свои теоретические знания в практические навыки и воплотите в жизнь свои проекты компьютерного зрения с точностью и эффективностью. Присоединяйтесь к нашему сообществу, чтобы быть в курсе всех последних разработок, а также ознакомьтесь с нашей документацией, чтобы узнать больше! 

Смотрите полное видео здесь!