从Ultralytics YOLOv8提取输出结果

在日新月异的计算机视觉领域、 Ultralytics YOLOv8作为对象 检测、 分割和 跟踪等任务的顶级模型脱颖而出。无论您是经验丰富的开发人员，还是人工智能（AI）领域的初学者，了解如何有效地从YOLOv8 中提取输出结果，都能大大提高您的项目效率。本博文将深入探讨从YOLOv8 模型中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，最重要的是建立并运行YOLOv8 模型。如果您是新手，可以观看我们之前的视频，了解在各种计算机视觉任务中 设置和使用YOLO 模型的基础知识。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正确模型配置，无论是对象检测还是更复杂的任务（如姿势估计 ）。
   ‍
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 中的结果对象是一座信息金矿。它包含您进行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。
  ​
• 遮罩和关键点：访问分段掩码和关键点，以姿势估计 使用姿势估计 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. 转换数据以便处理：如果在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，Nicolai Nielsen 演示了如何使用 Visual Studio Code 在自定义Python 脚本中实现这些概念。脚本包括

• 设置检测类：在类结构中初始化和配置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，无需额外编码。

利用YOLOv8扩展人工智能工具包

掌握YOLOv8 输出提取不仅可以提高项目能力，还能加深对物体检测系统的理解。

通过以下步骤，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，无论是开发先进的人工智能驱动应用程序，还是进行强大的数据分析。

敬请期待更多教程，它们将帮助您充分利用YOLOv8 和其他人工智能技术。将您的理论知识转化为实用技能，让您的计算机视觉项目更加精准高效。加入我们的 社区，了解所有最新进展，查看我们的 文档，了解更多信息！ 

观看完整视频此处！