Trích xuất output từ Ultralytics YOLOv8

Trong lĩnh vực thị giác máy tính không ngừng thay đổi, Ultralytics YOLOv8 nổi bật là một model hàng đầu cho các tác vụ như phát hiện đối tượng, phân đoạn và theo dõi. Dù bạn là một developer giàu kinh nghiệm hay người mới bắt đầu với trí tuệ nhân tạo (AI), việc hiểu cách trích xuất đầu ra từ YOLOv8 một cách hiệu quả có thể nâng cao đáng kể các dự án của bạn. Bài viết này đi sâu vào các bước thực tế để trích xuất và sử dụng kết quả từ model YOLOv8.

Thiết lập Ultralytics YOLOv8#

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

1. Khởi tạo model: Khởi tạo model Ultralytics YOLOv8 đúng cách, đồng thời chọn cấu hình model phù hợp với nhu cầu cụ thể của bạn, चाहे đó là phát hiện đối tượng hay các tác vụ phức tạp hơn như ước tính tư thế.
2. Chạy inference: Đưa dữ liệu đầu vào qua model để thực hiện inference. Quy trình này sẽ tạo ra một object kết quả, là chìa khóa để truy cập toàn bộ dữ liệu phát hiện.

Tìm hiểu về object kết quả#

Object kết quả trong Ultralytics YOLOv8 chứa rất nhiều thông tin hữu ích. Nó bao gồm toàn bộ dữ liệu phát hiện cần thiết cho dự án của bạn, bao gồm:

• Bounding Box: Sử dụng results.boxes để truy cập tọa độ của các đối tượng được phát hiện.
• Mask và Keypoint: Truy cập các mask phân đoạn và keypoint để ước tính tư thế lần lượt bằng results.masks và results.keypoints.
• Xác suất lớp: results.probs cung cấp xác suất của từng lớp được phát hiện, hữu ích để lọc các detection dựa trên điểm confidence.

Trích xuất dữ liệu để sử dụng tùy chỉnh#

Để sử dụng các đầu ra này trong ứng dụng, hãy thực hiện các bước sau:

1. Chuyển đổi dữ liệu để xử lý: Nếu bạn đang chạy model trên GPU, hãy chuyển đầu ra sang định dạng CPU bằng .cpu() để tiếp tục thao tác.
2. Truy cập tọa độ Bounding Box: Lấy và thao tác trực tiếp với tọa độ bounding box từ object kết quả. Việc 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 confidence.

Ứng dụng thực tế trong code#

Chuyển từ lý thuyết sang thực hành, Nicolai Nielsen trình bày cách triển khai các khái niệm này trong một script Python tùy chỉnh bằng Visual Studio Code. Script bao gồm:

• Thiết lập Class Detection: Khởi tạo và cấu hình model Ultralytics YOLOv8 trong một cấu trúc class, chuẩn bị model để nhận dữ liệu trực tiếp.
• Trích xuất kết quả: Chạy detection và trích xuất bounding box, mask cùng các phân loại trực tiếp từ object 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 bounding box trên hình ảnh hay các luồng video.

Trực quan hóa và hơn thế nữa#

Mặc dù việc trích xuất dữ liệu thô rất quan trọng, trực quan hóa các detection này có thể cung cấp thông tin tức thời về hiệu suất của model:

• Vẽ hình chữ nhật: Sử dụng dữ liệu bounding box để vẽ các hình chữ nhật xung quanh những đối tượng được phát hiện trong đầu ra hình ảnh hoặc video.
• Vẽ trực tiếp: Sử dụng các hàm vẽ tích hợp sẵn của Ultralytics YOLOv8 để trực quan hóa trực tiếp các detection mà không cần viết thêm code.

Mở rộng bộ công cụ AI với Ultralytics YOLOv8#

Làm chủ việc trích xuất đầu ra từ Ultralytics YOLOv8 không chỉ nâng cao năng lực của dự án mà còn giúp bạn hiểu sâu hơn về các hệ thống phát hiện đối tượng.

Bằng cách làm theo các bước này, bạn có thể khai thác toàn bộ sức mạnh của Ultralytics YOLOv8 để tùy chỉnh detection theo nhu cầu cụ thể, dù là phát triển các ứng dụng nâng cao dựa trên AI hay thực hiện phân tích dữ liệu chuyên sâu.

Hãy đón xem các hướng dẫn tiếp theo để khai thác tối đa tiềm năng của Ultralytics YOLOv8 và các công nghệ AI khác. Biến kiến thức lý thuyết thành kỹ năng thực tế, đồng thời đưa các dự án thị giác máy tính của bạn vào thực tiễn với độ chính xác và hiệu quả cao. Hãy tham gia cộng đồng của chúng tôi để cập nhật những phát triển mới nhất, đồng thời xem tài liệu để tìm hiểu thêm!

Xem video đầy đủ Xem video đầy đủ!