Trích xuất đầu ra từ Ultralytics YOLOv8

Trong lĩnh vực thị giác máy tính luôn thay đổi, Ultralytics YOLOv8 nổi bật như một mô hình hàng đầu cho các tác vụ như phát hiện đối tượng, phân đoạn và theo dõi . Cho dù bạn là một nhà phát triển dày dạn kinh nghiệm hay người mới bắt đầu trong lĩnh vực trí tuệ nhân tạo (AI), việc hiểu cách trích xuất hiệu quả các đầu ra 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 mô hình YOLOv8.

Thiết lập YOLOv8

Trước khi bắt đầu trích xuất kết quả, điều quan trọng là phải khởi động và chạy mô hình YOLOv8 của bạn. 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 mô hình YOLO 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 định cấu hình đúng:

1. Khởi tạo mô hình: Khởi tạo mô hình YOLOv8 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, là chìa khóa để bạn truy cập tất cả dữ liệu phát hiện.

Hiểu đối tượng kết quả

Đối tượng results trong YOLOv8 là một mỏ vàng thông tin. Nó chứa tất cả dữ liệu phát hiện mà bạn cần để tiến hành 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 mỗi lớp được phát hiện, hữu ích cho việc lọc 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 trên GPU, hãy chuyển đổi đầu ra sang định dạng CPU bằng cách sử dụng .cpu() để xử lý thêm.
   ‍
2. Truy cập Tọa độ Hộp giới hạn: Truy xuất và thao tác tọa độ hộp giới hạn trực tiếp từ đối tượng kết quả. Điều này bao gồm truy cập tọa độ 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 ID lớp và điểm tin cậy một cách hiệu quả.

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 tập lệnh Python tùy chỉnh bằng Visual Studio Code. Tập lệnh bao gồm:

• Thiết lập lớp phát hiện: Khởi tạo và cấu hình mô hình YOLOv8 của bạn 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 sang các định dạng có thể sử dụng như JSON hoặc CSV hoặc sử dụng trực tiếp để vẽ hộp giới hạn trên hình ảnh hoặc luồng video.

Hình ảnh hóa và hơn thế nữa

Mặc dù việc trích xuất dữ liệu thô 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 đầu ra hình ảnh hoặc video.
  ‍
• Vẽ đồ thị trực tiếp: Sử dụng các chức năng vẽ đồ thị tích hợp của YOLOv8 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

Việc thành thạo trích xuất đầu ra YOLOv8 không chỉ giúp 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 mình, 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 nhiều hướng dẫn giúp bạn tận dụng YOLOv8 và các công nghệ AI khác để phát huy hết tiềm năng của chúng. Biến kiến thức lý thuyết của bạn thành các kỹ năng thực tế và đưa các dự án thị giác máy tính của bạn vào cuộc sống một cách chính xác và hiệu quả. Tham gia cộng đồng của chúng tôi để cập nhật tất cả các phát triển mới nhất cũng như xem tài liệu của chúng tôi để tìm hiểu thêm! 

Xem video đầy đủ tại đây !