Trích xuất đầu ra từ Ultralytics YOLOv8

Trong lĩnh vực thị giác máy tính luôn thay đổi, Ultralytics YOLOv8 nổi bật là mô hình hàng đầu cho các tác vụ như phát hiện , phân đoạn và theo dõi đối tượng. Cho dù bạn là một nhà phát triển dày dạn kinh nghiệm hay người mới bắt đầu tìm hiểu về trí tuệ nhân tạo (AI), việc hiểu cách trích xuất hiệu quả kết quả từ YOLOv8 có thể cải thiện đáng kể các dự án của bạn. Bài đăng trên blog này đi sâu vào các bước thực tế để trích xuất và sử dụng kết quả từ YOLOv8 người mẫu.

Thiết lập YOLOv8

Trước khi đi sâu vào việc trích xuất kết quả, điều quan trọng là phải có YOLOv8 mô hình đang hoạt động. Nếu bạn là người mới, bạn có thể xem các video trước đây của chúng tôi, trong đó chúng tôi trình bày những điều cơ bản về thiết lập và sử dụng YOLO mô hình cho nhiều tác vụ thị giác máy tính khác nhau. Để bắt đầu trích xuất kết quả, hãy đảm bảo mô hình của bạn được cấu hình chính xác:

1. Khởi tạo mô hình: Khởi tạo YOLOv8 mô hình hóa một cách phù hợp, đảm bảo bạn chọn đúng cấu hình mô hình phù hợp với nhu cầu cụ thể của mình, có thể là phát hiện đối tượng hoặc các tác vụ phức tạp hơn như ước tính tư thế.
   ‍
2. Chạy suy luận: Nhập dữ liệu của bạn thông qua mô hình để thực hiện suy luận. Quá trình này sẽ tạo ra một đối tượng kết quả, đây là chìa khóa để bạn truy cập tất cả dữ liệu phát hiện.

Tìm hiểu về đối tượng kết quả

Kết quả phản đối trong YOLOv8 là một mỏ vàng thông tin. Nó chứa tất cả dữ liệu phát hiện mà bạn cần để tiếp tục dự án của mình, bao gồm:

• Hộp giới hạn: Sử dụng results.boxes để truy cập tọa độ của các đối tượng được phát hiện.
  ‍
• Mặt nạ và điểm chính: Truy cập mặt nạ phân đoạn và điểm chính để ước tính tư thế bằng cách sử dụng results.masks và results.keypoints tương ứng.
  ‍
• Xác suất lớp: results.probabilities cung cấp khả năng xảy ra của từng lớp được phát hiện, hữu ích để lọc các phát hiện dựa trên điểm tin cậy.

Trích xuất dữ liệu để sử dụng tùy chỉnh

Để sử dụng các đầu ra này trong ứng dụng của bạn, hãy làm theo các bước sau:

1. Chuyển đổi dữ liệu để xử lý: Nếu bạn đang chạy mô hình của mình trên GPU , chuyển đổi các đầu ra thành CPU định dạng sử dụng . cpu () để thao tác thêm.
   ‍
2. Truy cập Tọa độ Hộp giới hạn: Truy xuất và thao tác trực tiếp tọa độ hộp giới hạn từ đối tượng kết quả. Điều này bao gồm truy cập tọa độ đã chuẩn hóa hoặc các thuộc tính cụ thể như chiều rộng và chiều cao.
   ‍
3. Xử lý Phân loại: Trích xuất các phân loại hàng đầu để sử dụng hiệu quả ID lớp và điểm tin cậy.

Ứng dụng thực tế trong mã

Chuyển từ lý thuyết sang thực hành, Nicolai Nielsen trình bày cách triển khai các khái niệm này trong một Python tập lệnh sử dụng Visual Studio Code. Tập lệnh bao gồm:

• Thiết lập Lớp phát hiện: Khởi tạo và cấu hình YOLOv8 mô hình trong cấu trúc lớp, chuẩn bị cho việc nhập dữ liệu trực tiếp.
  ‍
• Trích xuất Kết quả: Chạy phát hiện và trích xuất các hộp giới hạn, mặt nạ và phân loại trực tiếp từ đối tượng kết quả.
  ‍
• Sử dụng Đầu ra: Chuyển đổi kết quả thành các định dạng có thể sử dụng như JSON hoặc CSV, hoặc sử dụng trực tiếp để vẽ các hộp giới hạn trên hình ảnh hoặc luồng video.

Trực quan hóa và hơn thế nữa

Mặc dù việc trích xuất dữ liệu thô là rất quan trọng, nhưng việc trực quan hóa các phát hiện này có thể cung cấp thông tin chi tiết ngay lập tức về hiệu suất của mô hình:

• Vẽ Hình chữ nhật: Sử dụng dữ liệu hộp giới hạn để vẽ hình chữ nhật xung quanh các đối tượng được phát hiện trong hình ảnh hoặc video đầu ra.
  ‍
• Vẽ đồ thị trực tiếp: Sử dụng YOLOv8 Các chức năng vẽ đồ thị tích hợp để trực tiếp hình dung các phát hiện mà không cần mã hóa bổ sung.

Mở rộng bộ công cụ AI của bạn với YOLOv8

Làm chủ YOLOv8 Việc trích xuất đầu ra không chỉ tăng cường khả năng của dự án mà còn giúp bạn hiểu sâu hơn về hệ thống phát hiện đối tượng.

Bằng cách làm theo các bước bạn có thể khai thác toàn bộ sức mạnh của YOLOv8 để điều chỉnh các phát hiện theo nhu cầu cụ thể của bạn, cho dù là phát triển các ứng dụng AI tiên tiến hay tiến hành phân tích dữ liệu mạnh mẽ.

Hãy theo dõi để biết thêm các hướng dẫn giúp bạn tận dụng YOLOv8 và các công nghệ AI khác phát huy tối đa tiềm năng. Biến kiến thức lý thuyết thành kỹ năng thực hành và hiện thực hóa các dự án thị giác máy tính của bạn một cách chính xác và hiệu quả. Tham gia cộng đồng của chúng tôi để cập nhật tất cả những phát triển mới nhất cũng như xem tài liệu của chúng tôi để tìm hiểu thêm! 

Xem video đầy đủ tại đây!