从 Ultralytics YOLOv8 提取输出
了解如何使用 Ultralytics YOLOv8 优化你的计算机视觉项目。本指南旨在涵盖从设置到结果提取及实际部署的 YOLOv8 所有相关内容。
在不断变化的计算机视觉领域，Ultralytics YOLOv8 作为顶级模型，在目标检测、图像分割和目标跟踪等任务中脱颖而出。无论你是经验丰富的开发人员还是人工智能 (AI) 初学者，了解如何有效地从 YOLOv8 中提取输出结果，都能显著提升你的项目能力。本篇博文将深入探讨从 YOLOv8 模型中提取并使用结果的实用步骤。
Link to this section设置 YOLOv8#
在深入了解结果提取之前，确保你的 YOLOv8 模型已准备就绪至关重要。如果你是新手，可以观看我们之前的视频，其中介绍了设置和使用 YOLO 模型进行各种计算机视觉任务的基础知识。若要开始提取结果，请确保你的模型配置正确：
- 模型初始化：适当地初始化 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。
- 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。
Link to this section理解结果对象#
YOLOv8 中的结果对象是一个信息宝库。它包含了你继续进行项目所需的所有检测数据，包括：
- 边界框：使用
results.boxes来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来访问用于姿态估计的分割掩码和关键点。 - 类别概率：
results.probs提供了每个检测类别的可能性，这对于基于置信度分数过滤检测结果非常有用。
Link to this section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：
- 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。
- 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。
- 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。
Link to this section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：在类结构中初始化并配置你的 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。
Link to this section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 YOLOv8 内置的绘图功能，无需额外编码即可直接可视化检测结果。
Link to this section利用 YOLOv8 扩展你的 AI 工具包#
掌握 YOLOv8 输出提取不仅能增强你的项目能力，还能加深你对目标检测系统的理解。
通过遵循这些步骤，你可以充分利用 YOLOv8 的强大功能，根据你的特定需求定制检测方案，无论是开发先进的 AI 驱动应用程序还是进行稳健的数据分析。
敬请期待更多教程，我们将帮助你充分发挥 YOLOv8 及其他 AI 技术的潜力。将你的理论知识转化为实用技能，以精确和高效的方式让你的计算机视觉项目落地。加入我们的 社区 以了解所有最新动态，并查看我们的 文档 以了解更多信息！
观看完整视频 Watch the full video！
