Trích xuất kết quả đầu ra từ Ultralytics YOLOv8

Trong lĩnh vực thị giác máy tính luôn thay đổi, Ultralytics YOLOv8 Nổi bật như một mô hình hàng đầu cho các tác vụ như phát hiện, phân đoạn và theo dõi đối tượng. Cho dù bạn là một nhà phát triển dày dạn kinh nghiệm hay người mới bắt đầu về trí tuệ nhân tạo (AI), hãy hiểu cách trích xuất hiệu quả đầu ra từ YOLOv8 có thể nâng cao đáng kể các dự án của bạn. Bài đăng trên blog này đi sâu vào các bước thực tế để trích xuất và sử dụng kết quả từ YOLOv8 mẫu.

Thiết lập YOLOv8

Trước khi đi sâu vào trích xuất kết quả, điều quan trọng là phải có YOLOv8 mô hình và chạy. Nếu bạn là người mới, bạn có thể xem các video trước của chúng tôi, nơi chúng tôi đề cập đến những điều cơ bản về thiết lập và sử dụng YOLO mô hình cho các tác vụ thị giác máy tính khác nhau. Để bắt đầu trích xuất kết quả, hãy đảm bảo mô hình của bạn được định cấu hình chính xác:

1. Khởi tạo mô hình: Khởi tạo YOLOv8 Lập mô hình một cách thích hợp, đảm bảo bạn chọn đúng cấu hình mô hình phù hợp với nhu cầu cụ thể của mình, có thể là phát hiện đối tượng hoặc các tác vụ phức tạp hơn như ước tính tư thế.
2. Chạy suy luận: Nhập dữ liệu của bạn thông qua mô hình để thực hiện suy luận. Quá trình này sẽ tạo ra một đối tượng kết quả, đó là chìa khóa của bạn để truy cập tất cả dữ liệu phát hiện.

Hiểu đối tượng kết quả

Đối tượng kết quả trong YOLOv8 là mỏ vàng thông tin. Nó chứa tất cả dữ liệu phát hiện mà bạn cần để tiến hành dự án của mình, bao gồm:

• Hộp giới hạn: Sử dụng results.boxes để truy cập tọa độ của các đối tượng được phát hiện.
• Mặt nạ và Điểm chính: Truy cập mặt nạ phân đoạn và điểm chính để ước tính tư thế bằng cách sử dụng results.masks và results.keypoints Tương ứng.
• Xác suất lớp: results.probabilities cung cấp khả năng của mỗi lớp được phát hiện, hữu ích cho việc lọc các phát hiện dựa trên điểm tin cậy.

Trích xuất dữ liệu để sử dụng tùy chỉnh

Để sử dụng các kết quả đầu ra trong các ứng dụng của bạn, hãy làm theo các bước sau:

1. Chuyển đổi dữ liệu để xử lý: Nếu bạn đang chạy mô hình của mình trên một GPU, chuyển đổi kết quả đầu ra thành CPU định dạng bằng cách sử dụng .cpu() để thao tác thêm.
2. Truy cập tọa độ hộp giới hạn: Truy xuất và thao tác tọa độ hộp giới hạn trực tiếp từ đối tượng kết quả. Điều này bao gồm truy cập tọa độ chuẩn hóa hoặc các thuộc tính cụ thể như chiều rộng và chiều cao.
3. Xử lý phân loại: Trích xuất các phân loại hàng đầu để sử dụng ID lớp học và điểm tin cậy một cách hiệu quả.

Ứng dụng thực tế trong mã

Chuyển từ lý thuyết sang thực hành, Nicolai Nielsen trình bày cách thực hiện các khái niệm này trong một phong tục Python tập lệnh sử dụng Visual Studio Code. Kịch bản bao gồm:

• Thiết lập Lớp phát hiện: Khởi tạo và định cấu hình YOLOv8 mô hình hóa trong một cấu trúc lớp, chuẩn bị cho đầu vào dữ liệu trực tiếp.
• Trích xuất kết quả: Chạy phát hiện và trích xuất các hộp giới hạn, mặt nạ và phân loại trực tiếp từ đối tượng kết quả.
• Sử dụng đầu ra: Chuyển đổi kết quả thành các định dạng có thể sử dụng như JSON hoặc CSV hoặc sử dụng chúng trực tiếp để vẽ các hộp giới hạn trên hình ảnh hoặc luồng video.

Hình dung và hơn thế nữa

Mặc dù việc trích xuất dữ liệu thô là rất quan trọng, nhưng việc trực quan hóa những phát hiện này có thể cung cấp thông tin chi tiết ngay lập tức về hiệu suất của mô hình:

• Vẽ hình chữ nhật: Sử dụng dữ liệu hộp giới hạn để vẽ hình chữ nhật xung quanh các đối tượng được phát hiện trong đầu ra hình ảnh hoặc video.
• Âm mưu trực tiếp: Sử dụng YOLOv8Các chức năng vẽ đồ thị tích hợp để trực quan hóa các phát hiện mà không cần mã hóa bổ sung.

Mở rộng Bộ công cụ AI của bạn với YOLOv8

Mastering YOLOv8 Trích xuất đầu ra không chỉ tăng cường khả năng của dự án mà còn làm sâu sắc thêm sự hiểu biết của bạn về các hệ thống phát hiện đối tượng.

Bằng cách làm theo các bước, bạn có thể khai thác toàn bộ sức mạnh của YOLOv8 để điều chỉnh các phát hiện theo nhu cầu cụ thể của bạn, cho dù trong việc phát triển các ứng dụng dựa trên AI tiên tiến hay tiến hành phân tích dữ liệu mạnh mẽ.

Hãy theo dõi để biết thêm các hướng dẫn sẽ giúp bạn tận dụng YOLOv8 và các công nghệ AI khác phát huy tối đa tiềm năng của chúng. Biến kiến thức lý thuyết của bạn thành các kỹ năng thực tế và đưa các dự án thị giác máy tính của bạn vào cuộc sống với độ chính xác và hiệu quả. Tham gia cộng đồng của chúng tôi để cập nhật tất cả những phát triển mới nhất cũng như xem tài liệu của chúng tôi để tìm hiểu thêm! 

Xem toàn bộ video tại đây!