从 Ultralytics YOLOv8 中提取输出

在不断变化的计算机视觉领域中，Ultralytics YOLOv8 凭借其在对象检测、分割和跟踪等任务中的出色表现脱颖而出。无论你是经验丰富的开发者，还是刚接触人工智能 (AI) 的初学者，了解如何从 YOLOv8 中有效提取输出，都能显著增强你的项目能力。本文将深入介绍从 YOLOv8 模型中提取和使用结果的实用步骤。

设置 Ultralytics YOLOv8#

在深入提取结果之前，首先要确保你的 Ultralytics YOLOv8 模型已正常运行。如果你刚开始接触这些内容，可以观看我们之前的视频，其中介绍了如何设置模型，以及如何使用 YOLO 模型执行各种计算机视觉任务。要开始提取结果，请确保模型配置正确：

1. 模型初始化：正确初始化 Ultralytics YOLOv8 模型，并确保选择适合特定需求的模型配置，无论是对象检测，还是姿态估计等更复杂的任务。
2. 运行推理：将数据输入模型以执行推理。此过程会生成一个结果对象，这是访问所有检测数据的关键。

了解结果对象#

Ultralytics YOLOv8 中的结果对象包含丰富的信息，其中包括项目所需的所有检测数据：

• 边界框：使用 results.boxes 访问检测对象的坐标。
• 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 提供每个检测类别的可能性，可用于根据置信度分数筛选检测结果。

提取数据以供自定义使用#

要在应用中使用这些输出，请按照以下步骤操作：

1. 转换数据以便处理：如果你在 GPU 上运行模型，请使用 .cpu() 将输出转换为 CPU 格式，以便进一步处理。
2. 访问边界框坐标：直接从结果对象中获取和处理边界框坐标。这包括访问归一化坐标或宽度和高度等特定属性。
3. 处理分类结果：提取排名靠前的分类结果，以有效利用类别 ID 和置信度分数。

在代码中实际应用#

从理论过渡到实践，Nicolai Nielsen 演示了如何在 Visual Studio Code 中使用自定义 Python 脚本实现这些概念。该脚本包括：

• 设置检测类：在类结构中初始化并配置 Ultralytics YOLOv8 模型，为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、掩码和分类结果。
• 使用输出：将结果转换为 JSON 或 CSV 等可用格式，或者直接使用结果在图像或视频流上绘制边界框。

可视化及更多功能#

虽然提取原始数据至关重要，但将这些检测结果可视化可以让你立即了解模型的性能：

• 绘制矩形：使用边界框数据，在图像或视频输出中的检测对象周围绘制矩形。
• 直接绘图：利用 Ultralytics YOLOv8 内置的绘图函数直接将检测结果可视化，无需编写额外代码。

使用 Ultralytics YOLOv8 扩展你的 AI 工具集#

掌握 Ultralytics YOLOv8 输出提取技术，不仅能增强项目能力，还能加深你对对象检测系统的理解。

按照这些步骤操作，你可以充分发挥 Ultralytics YOLOv8 的能力，根据特定需求定制检测流程，无论是开发先进的 AI 驱动应用，还是执行可靠的数据分析。

敬请期待更多教程，帮助你充分利用 Ultralytics YOLOv8 和其他 AI 技术。将理论知识转化为实践技能，以精准高效的方式让你的计算机视觉项目落地。加入我们的社区，及时了解所有最新进展，同时查看我们的文档以了解更多信息！

观看完整视频 观看完整视频！