从 Ultralytics YOLOv8 提取输出

在瞬息万变的计算机视觉领域中，Ultralytics YOLOv8 作为一款顶级模型脱颖而出，适用于检测、分割和跟踪等任务。无论你是经验丰富的开发者还是人工智能（AI）初学者，理解如何从 YOLOv8 中有效提取输出都能显著提升你的项目。这篇博客文章深入探讨了提取和使用 YOLOv8 模型结果的实用步骤。

设置 Ultralytics YOLOv8#

在深入提取结果之前，务必让你的 Ultralytics YOLOv8 模型正常运行。如果你是新手，可以观看我们之前的视频，其中涵盖了设置和使用 YOLO 模型执行各种计算机视觉任务的基础知识。要开始提取结果，请确保你的模型配置正确：

1. 模型初始化：正确初始化 Ultralytics YOLOv8 模型，确保选择适合你特定需求的模型配置，无论是目标检测还是姿态估计等更复杂的任务。
2. 运行推理：将数据输入模型进行推理。此过程将生成一个结果对象，这是你访问所有检测数据的关键。

理解结果对象#

Ultralytics YOLOv8 中的 results 对象信息极为丰富。它包含你推进项目所需的所有检测数据，包括：

• 边界框：使用 results.boxes 访问检测到的对象的坐标。
• 掩码和关键点：分别使用 results.masks 和 results.keypoints 访问用于姿态估计的分割掩码和关键点。
• 类别概率：results.probs 提供了每个检测到类别的可能性，这对于根据置信度分数过滤检测结果非常有用。

提取数据以供自定义使用#

要在你的应用程序中使用这些输出结果，请按照以下步骤操作：

1. 转换数据以进行处理：如果你在 GPU 上运行模型，请使用 .cpu() 将输出转换为 CPU 格式，以便进行进一步操作。
2. 访问边界框坐标：直接从结果对象中检索和操作边界框坐标。这包括访问归一化坐标或宽度和高度等特定属性。
3. 处理分类：提取顶级分类以有效地利用类别 ID 和置信度分数。

代码中的实际应用#

从理论转向实践，Nicolai Nielsen 展示了如何使用 Visual Studio Code 在自定义 Python 脚本中实现这些概念。该脚本涉及：

• 设置检测类：在类结构中初始化和配置你的 Ultralytics YOLOv8 模型，为其接收实时数据输入做好准备。
• 提取结果：运行检测并直接从结果对象中提取边界框、掩码和分类信息。
• 利用输出：将结果转换为 JSON 或 CSV 等可用格式，或者直接使用它们在图像或视频流上绘制边界框。

可视化及其他#

虽然提取原始数据至关重要，但对这些检测结果进行可视化可以让你即时洞察模型的性能：

• 绘制矩形框：使用边界框数据在图像或视频输出中检测到的对象周围绘制矩形框。
• 直接绘图：利用 Ultralytics YOLOv8 的内置绘图功能直接可视化检测结果，无需编写额外代码。

用 Ultralytics YOLOv8 拓展你的 AI 工具包#

掌握 Ultralytics YOLOv8 输出提取不仅能提升你项目的能力，还能加深你对目标检测系统的理解。

通过遵循这些步骤，你可以充分发挥 Ultralytics YOLOv8 的强大功能，根据你的具体需求定制检测，无论是在开发先进的 AI 驱动应用程序还是进行强大的数据分析时。

请密切关注更多教程，它们将帮助你充分发挥 Ultralytics YOLOv8 和其他 AI 技术的潜力。将你的理论知识转化为实操技能，以精确高效的方式让你的计算机视觉项目落地。加入我们的社群以紧跟所有最新进展，并查看我们的文档了解更多信息！

观看完整视频 Watch the full video！