Extraer salidas de Ultralytics YOLOv8

En el siempre cambiante campo de la visión por ordenador, Ultralytics YOLOv8 destaca como modelo de primer nivel para tareas como la detección, segmentación y seguimiento de objetos. Tanto si eres un desarrollador experimentado como un principiante en inteligencia artificial (IA), comprender cómo extraer eficazmente los resultados de YOLOv8 puede mejorar significativamente tus proyectos. Esta entrada de blog profundiza en los pasos prácticos para extraer y utilizar los resultados del modelo YOLOv8 .

Configuración YOLOv8

Antes de sumergirte en la extracción de resultados, es crucial que tengas tu modelo YOLOv8 en funcionamiento. Si eres nuevo, puedes ver nuestros vídeos anteriores en los que cubrimos los aspectos básicos de la configuración y el uso de los modelos YOLO para diversas tareas de visión por ordenador. Para empezar con la extracción de resultados, asegúrate de que tu modelo está configurado correctamente:

1. Inicialización del modelo: Inicializa adecuadamente el modelo YOLOv8 , asegurándote de elegir la configuración correcta del modelo que se adapte a tus necesidades específicas, ya sea la detección de objetos o tareas más complejas como la estimación de la pose.
2. Ejecutar la inferencia: Introduce tus datos a través del modelo para realizar la inferencia. Este proceso generará un objeto de resultados, que es tu clave para acceder a todos los datos de detección.

Comprender el objeto Resultados

El objeto de resultados en YOLOv8 es una mina de oro de información. Contiene todos los datos de detección que necesitas para seguir adelante con tu proyecto, incluidos:

• Cajas delimitadoras: Utiliza results.boxes para acceder a las coordenadas de los objetos detectados.
• Máscaras y puntos clave: Accede a máscaras de segmentación y puntos clave para la estimación de la pose mediante results.masks y results.keypoints respectivamente.
• Probabilidades de clase: results.probabilities proporciona la probabilidad de cada clase detectada, útil para filtrar las detecciones en función de las puntuaciones de confianza.

Extraer datos para uso personalizado

Para utilizar estas salidas en tus aplicaciones, sigue estos pasos:

1. Convierte los datos para procesarlos: Si estás ejecutando tu modelo en un GPU, convierte los resultados al formato CPU utilizando .cpu() para su posterior manipulación.
2. Acceder a las coordenadas del cuadro delimitador: Recupera y manipula las coordenadas del cuadro delimitador directamente desde el objeto de resultados. Esto incluye acceder a coordenadas normalizadas o a atributos específicos como anchura y altura.
3. Manejar clasificaciones: Extrae las mejores clasificaciones para utilizar eficazmente los ID de clase y las puntuaciones de confianza.

Aplicación práctica en código

Pasando de la teoría a la práctica, Nicolai Nielsen demuestra cómo aplicar estos conceptos en un script personalizado de Python utilizando Visual Studio Code. El script incluye:

• Configurar una Clase de Detección: Inicializa y configura tu modelo YOLOv8 dentro de una estructura de clases, preparándolo para la entrada de datos en vivo.
• Extraer resultados: Ejecuta la detección y extrae cuadros delimitadores, máscaras y clasificaciones directamente del objeto de resultados.
• Utilizar resultados: Convierte los resultados en formatos utilizables como JSON o CSV, o utilízalos directamente para dibujar cuadros delimitadores en imágenes o secuencias de vídeo.

Visualización y más allá

Aunque la extracción de datos brutos es crucial, la visualización de estas detecciones puede proporcionar una visión inmediata del rendimiento del modelo:

• Dibujar rectángulos: Utiliza los datos del cuadro delimitador para dibujar rectángulos alrededor de los objetos detectados en las salidas de imagen o vídeo.
• Trazado directo: Utiliza las funciones de trazado integradas en YOLOv8para visualizar directamente las detecciones sin codificación adicional.

Amplía tus herramientas de IA con YOLOv8

Dominar la extracción de resultados de YOLOv8 no sólo aumenta las capacidades de tu proyecto, sino que también profundiza en tu comprensión de los sistemas de detección de objetos.

Si sigues estos pasos, podrás aprovechar toda la potencia de YOLOv8 para adaptar las detecciones a tus necesidades específicas, ya sea en el desarrollo de aplicaciones avanzadas basadas en IA o en la realización de sólidos análisis de datos.

Permanece atento a más tutoriales que te ayudarán a aprovechar al máximo YOLOv8 y otras tecnologías de IA. Transforma tus conocimientos teóricos en habilidades prácticas, y da vida a tus proyectos de visión por ordenador con precisión y eficacia. Únete a nuestra comunidad para estar al día de las últimas novedades y consulta nuestros documentos para obtener más información. 

¡Mira el vídeo completo aquí!