Estrazione degli output da Ultralytics YOLOv8

Configurazione di YOLOv8

Prima di immergersi nell'estrazione dei risultati, è fondamentale che il modello YOLOv8 sia attivo e funzionante. Se siete nuovi, potete guardare i nostri video precedenti in cui trattiamo le basi dell' impostazione e dell'uso dei modelli YOLO per varie attività di computer vision. Per iniziare l'estrazione dei risultati, assicuratevi che il modello sia configurato correttamente:

1. Inizializzazione del modello: Inizializzare il modello di YOLOv8 in modo appropriato, assicurandosi di scegliere la configurazione del modello adatta alle proprie esigenze specifiche, che si tratti di rilevamento di oggetti o di compiti più complessi come la stima della posa.
   ‍
2. Esecuzione dell'inferenza: Immettere i dati attraverso il modello per eseguire l'inferenza. Questo processo genererà un oggetto Risultati, che è la chiave per accedere a tutti i dati di rilevazione.

Comprendere l'oggetto Risultati

L'oggetto Risultati di YOLOv8 è una miniera di informazioni. Contiene tutti i dati di rilevamento necessari per procedere con il progetto, tra cui:

• Riquadri di delimitazione: Utilizzare results.boxes per accedere alle coordinate degli oggetti rilevati.
  ‍
• Maschere e punti chiave: Accedere alle maschere di segmentazione e ai punti chiave per la stima della posa utilizzando results.masks e results.keypoints rispettivamente.
  ‍
• Probabilità della classe: results.probabilities fornisce la probabilità di ogni classe rilevata, utile per filtrare i rilevamenti in base ai punteggi di confidenza.

Estrazione di dati per uso personalizzato

Per utilizzare queste uscite nelle vostre applicazioni, seguite la seguente procedura:

1. Convertire i dati per l'elaborazione: Se si esegue il modello su una GPU, convertire i risultati in formato CPU utilizzando .cpu() per ulteriori manipolazioni.
   ‍
2. Accesso alle coordinate del rettangolo di selezione: Recuperare e manipolare le coordinate del rettangolo di selezione direttamente dall'oggetto risultato. Ciò include l'accesso alle coordinate normalizzate o ad attributi specifici come larghezza e altezza.
   ‍
3. Gestione delle classificazioni: Estrarre le classificazioni principali per utilizzare efficacemente gli ID delle classi e i punteggi di confidenza.

Applicazione pratica nel codice

Passando dalla teoria alla pratica, Nicolai Nielsen dimostra come implementare questi concetti in uno script Python personalizzato utilizzando Visual Studio Code. Lo script prevede:

• Impostazione di una classe di rilevamento: Inizializzare e configurare il modello YOLOv8 all'interno di una struttura di classi, preparandolo per l'immissione di dati in tempo reale.
  ‍
• Estrazione dei risultati: Eseguire il rilevamento ed estrarre riquadri di delimitazione, maschere e classificazioni direttamente dall'oggetto dei risultati.
  ‍
• Utilizzo degli output: Convertire i risultati in formati utilizzabili come JSON o CSV, oppure utilizzarli direttamente per disegnare caselle di delimitazione su immagini o flussi video.

Visualizzazione e non solo

Se l'estrazione dei dati grezzi è fondamentale, la visualizzazione di questi rilevamenti può fornire indicazioni immediate sulle prestazioni del modello:

• Disegno di rettangoli: Utilizza i dati del rettangolo di selezione per disegnare rettangoli intorno agli oggetti rilevati nelle immagini o nei video.
  ‍
• Tracciatura diretta: Utilizzate le funzioni di plottaggio integrate di YOLOv8 per visualizzare direttamente i rilevamenti senza bisogno di ulteriori codici.

Ampliare il kit di strumenti di intelligenza artificiale con YOLOv8

La padronanza dell'estrazione dell'output di YOLOv8 non solo aumenta le capacità del progetto, ma approfondisce anche la comprensione dei sistemi di rilevamento degli oggetti.

Seguendo i passaggi indicati, è possibile sfruttare tutta la potenza di YOLOv8 per adattare i rilevamenti alle proprie esigenze specifiche, sia per lo sviluppo di applicazioni avanzate basate sull'intelligenza artificiale che per la conduzione di solide analisi dei dati.

Restate sintonizzati per altre esercitazioni che vi aiuteranno a sfruttare YOLOv8 e altre tecnologie di intelligenza artificiale al massimo delle loro potenzialità. Trasformate le vostre conoscenze teoriche in competenze pratiche e realizzate i vostri progetti di computer vision con precisione ed efficienza. Unitevi alla nostra comunità per rimanere aggiornati su tutti gli ultimi sviluppi e consultate i nostri documenti per saperne di più! 

Guardate il video completo qui!