Извлечение результатов из Ultralytics YOLOv8

В постоянно меняющейся области компьютерного зрения Ultralytics YOLOv8 выделяется как высококлассная модель 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. Запуск вывода: Введите данные в модель, чтобы выполнить вывод. В результате этого процесса будет создан объект results, который является 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:

• Ограничительные рамки: Используйте results.boxes для доступа к координатам обнаруженных объектов.
  ‍
• Маски и ключевые точки: Доступ к маскам сегментации и ключевым точкам для оценки позы с помощью results.masks и results.keypoints соответственно.
  ‍
• Вероятности класса: results.probabilities обеспечивает вероятность каждого обнаруженного класса, что полезно для фильтрации обнаружений на основе оценок доверия.

Извлечение данных для пользовательского использования

Чтобы использовать эти выходы в своих приложениях, выполните следующие действия:

1. Преобразуйте данные для обработки: Если вы запускаете модель на GPU, преобразуйте выходные данные в формат CPU с помощью .cpu() для дальнейших манипуляций.
   ‍
2. Доступ к координатам ограничительной рамки: Получение координат ограничительной рамки и работа с ними непосредственно из объекта результатов. Это включает в себя доступ к нормализованным координатам или специфическим атрибутам, таким как ширина и высота.
   ‍
3. Работа с классификациями: Извлечение лучших классификаций для эффективного использования идентификаторов классов и баллов доверия.

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 ограничительные рамки, маски и классификации непосредственно из объекта результатов.
  ‍
• Использование выходных данных: Преобразуйте результаты в удобные форматы, например JSON или CSV, или используйте их напрямую для рисования ограничительных рамок на изображениях или видеопотоках.

Визуализация и не только

Хотя извлечение исходных данных очень важно, визуализация этих обнаружений может дать немедленное представление о работе модели:

• Рисование прямоугольников: Используйте данные об ограничительной рамке для рисования прямоугольников вокруг обнаруженных объектов на изображениях или видеовыходах.
  ‍
• Прямое черчение: Используйте встроенные в YOLOv8 функции 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!