从 Ultralytics YOLOv8 提取输出

在不断变化的计算机视觉领域中，Ultralytics YOLOv8 作为一个顶级的模型脱颖而出，适用于诸如目标检测、分割和跟踪等任务。无论您是经验丰富的开发人员还是人工智能 (AI) 的初学者，了解如何有效地从 YOLOv8 提取输出都可以显著增强您的项目。这篇博文深入探讨了从 YOLOv8 模型提取和使用结果的实际步骤。

设置 YOLOv8

在深入研究结果提取之前，至关重要的是要启动并运行 YOLOv8 模型。如果您是新手，您可以观看我们之前的视频，其中我们介绍了设置和使用 YOLO 模型执行各种计算机视觉任务的基础知识。要开始结果提取，请确保您的模型配置正确：

1. 模型初始化：适当地初始化 YOLOv8 模型，确保选择适合您特定需求的模型配置，无论是目标检测还是更复杂的任务（如姿态估计）。
   ‍
2. 运行推理：通过模型输入您的数据以执行推理。此过程将生成一个结果对象，它是您访问所有检测数据的关键。

理解结果对象

YOLOv8 中的结果对象是一个信息宝库。它包含您继续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：使用以下方式访问分割掩码和姿态估计的关键点 results.masks 和 results.keypoints 分别。
  ​
• 类别概率： results.probabilities 提供每个检测到的类别的可能性，可用于根据置信度分数过滤检测结果。

提取数据以供自定义使用

要在您的应用程序中使用这些输出，请按照以下步骤操作：

1. 转换数据以进行处理：如果您在 GPU 上运行模型，请使用 .cpu() 将输出转换为 CPU 格式，以便进一步操作。
   ‍
2. 访问边界框坐标：直接从结果对象检索和操作边界框坐标。这包括访问归一化坐标或特定属性（如宽度和高度）。
   ‍
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

从理论到实践的过渡中，Nicolai Nielsen 演示了如何在 Visual Studio Code 中使用自定义 Python 脚本来实现这些概念。该脚本涉及：

• 设置检测类：在类结构中初始化和配置您的 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。
  ‍
• 利用输出：将结果转换为可用的格式（如 JSON 或 CSV），或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，但可视化这些检测结果可以立即深入了解模型的性能：

• 绘制矩形：使用边界框数据在图像或视频输出中围绕检测到的对象绘制矩形。
  ‍
• 直接绘图：利用 YOLOv8 的内置绘图功能直接可视化检测结果，而无需额外的编码。

使用 YOLOv8 扩展您的 AI 工具包

掌握 YOLOv8 输出提取不仅能提升您项目的功能，还能加深您对目标检测系统的理解。

通过遵循这些步骤，您可以充分利用 YOLOv8 的强大功能，根据您的特定需求定制检测，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。

请继续关注更多教程，这些教程将帮助您充分利用 YOLOv8 和其他 AI 技术。将您的理论知识转化为实践技能，并以精确和高效的方式将您的计算机视觉项目变为现实。加入我们的社区，随时了解所有最新进展，并查看我们的文档以了解更多信息！ 

观看完整视频此处！