Estrazione degli output da Ultralytics YOLOv8

Nel campo in continua evoluzione della computer vision, Ultralytics YOLOv8 si distingue come modello di alto livello per compiti come il rilevamento, la segmentazione e il tracciamento degli oggetti. Che tu sia uno sviluppatore esperto o un principiante nel campo dell'intelligenza artificiale (AI), capire come estrarre efficacemente i risultati da YOLOv8 può migliorare notevolmente i tuoi progetti. Questo blog post approfondisce i passaggi pratici per estrarre e utilizzare i risultati del modello YOLOv8 .

Impostazione YOLOv8

Prima di tuffarsi nell'estrazione dei risultati, è fondamentale che il tuo modello YOLOv8 sia attivo e funzionante. Se sei nuovo, puoi guardare i nostri video precedenti in cui trattiamo le basi della configurazione e dell'utilizzo dei modelli di YOLO per varie attività di computer vision. Per iniziare l'estrazione dei risultati, assicurati che il tuo modello sia configurato correttamente:

1. Inizializzazione del modello: Inizializza il modello di YOLOv8 in modo appropriato, assicurandoti di scegliere la giusta configurazione del modello che si adatta alle tue esigenze specifiche, che si tratti di rilevamento di oggetti o di attività più complesse come la stima della posa.
2. Eseguire l'inferenza: Inserisci i tuoi dati nel modello per eseguire l'inferenza. Questo processo genererà un oggetto Risultati, che è la chiave per accedere a tutti i dati di rilevazione.

Capire l'oggetto Risultati

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

• Caselle di delimitazione: Usa results.boxes per accedere alle coordinate degli oggetti rilevati.
• Maschere e punti chiave: Accedi 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.

Estrarre i dati per un uso personalizzato

Per utilizzare queste uscite nelle tue applicazioni, segui i seguenti passaggi:

1. Convertire i dati per l'elaborazione: Se stai eseguendo il tuo modello su GPU, converti i risultati in formato CPU usando .cpu() per ulteriori manipolazioni.
2. Accesso alle coordinate del rettangolo di selezione: Recupera e manipola le coordinate del rettangolo di selezione direttamente dall'oggetto risultato. Questo include l'accesso alle coordinate normalizzate o ad attributi specifici come la larghezza e l'altezza.
3. Gestione delle classificazioni: Estrai 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 all'interno di uno script personalizzato di Python utilizzando Visual Studio Code. Lo script prevede:

• Impostazione di una classe di rilevamento: Inizializza e configura il tuo modello YOLOv8 all'interno di una struttura di classi, preparandolo per l'inserimento dei dati in tempo reale.
• Estrazione dei risultati: Esegui il rilevamento ed estrai i riquadri di delimitazione, le maschere e le classificazioni direttamente dall'oggetto dei risultati.
• Utilizzo degli output: Converti i risultati in formati utilizzabili come JSON o CSV, oppure usali direttamente per disegnare caselle di delimitazione su immagini o flussi video.

Visualizzazione e non solo

Sebbene l'estrazione dei dati grezzi sia 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 i rettangoli intorno agli oggetti rilevati nelle immagini o nei video.
• Tracciatura diretta: Utilizza le funzioni di plottaggio integrate in YOLOv8per visualizzare direttamente i rilevamenti senza bisogno di ulteriori codici.

Espandi il tuo kit di strumenti di intelligenza artificiale con YOLOv8

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

Seguendo questi passaggi potrai sfruttare tutta la potenza di YOLOv8 per adattare i rilevamenti alle tue esigenze specifiche, sia per lo sviluppo di applicazioni avanzate basate sull'intelligenza artificiale che per l'analisi dei dati.

Rimani sintonizzato per altre esercitazioni che ti aiuteranno a sfruttare YOLOv8 e altre tecnologie di intelligenza artificiale al massimo delle loro potenzialità. Trasforma le tue conoscenze teoriche in competenze pratiche e dai vita ai tuoi progetti di computer vision con precisione ed efficienza. Unisciti alla nostra community per rimanere aggiornato su tutti gli ultimi sviluppi e consulta i nostri documenti per saperne di più! 

Guarda il video completo qui!