从 Ultralytics YOLOv8 中提取输出

Ultralytics YOLOv8是一种广泛使用的计算机视觉模型，可用于目标检测、分割和跟踪等任务。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，了解如何有效提取 YOLOv8 的输出，都能显著提升项目效果。这篇博客将介绍提取和使用 YOLOv8 模型结果的实用步骤。

设置 Ultralytics YOLOv8#

在开始提取结果之前，务必先让你的 Ultralytics YOLOv8 模型正常运行。如果你刚开始使用，可以观看我们之前的视频，了解如何为各种计算机视觉任务设置和使用 YOLO 模型的基础知识。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，并选择适合特定需求的模型配置，无论是用于目标检测，还是姿态估计等更复杂的任务。
2. 运行推理：将数据输入模型以执行推理。这个过程会生成一个Results 对象列表，每张图像或每一帧对应一个对象，你可以通过这些对象访问所有检测数据。

了解结果对象#

Ultralytics YOLOv8 中的每个 Results 对象都包含项目所需的全部检测数据，包括：

• 边界框：使用 result.boxes 访问检测到的对象坐标。
• 掩码和关键点：分别使用 result.masks 和 result.keypoints 访问分割掩码和姿势估计关键点。
• 类别概率：result.probs包含分类模型的类别概率，而 result.boxes.conf提供每个检测框的置信度分数，可用于筛选检测结果。

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，可以使用 .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并处理边界框坐标。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，以便有效利用类别 ID 和置信度分数。

代码中的实际应用#

从理论转向实践，Nicolai Nielsen 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你的 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。
• 利用输出：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。

可视化及更多内容#

提取原始数据固然重要，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围绕检测到的对象绘制矩形。
• 直接绘图：使用内置的 result.plot()方法可视化检测结果，无需编写额外代码。

借助 Ultralytics YOLOv8 扩展你的 AI 工具箱#

熟练掌握 Ultralytics YOLOv8 输出提取，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，你可以根据具体需求定制 Ultralytics YOLOv8 的检测结果，无论是开发先进的 AI 驱动应用，还是开展可靠的数据分析。

敬请期待更多关于 Ultralytics YOLOv8 和其他 AI 技术的教程。加入我们的社区，及时了解最新进展；也可以查看我们的文档，获取更多信息！

观看完整视频！