从Ultralytics YOLOv8

在日新月异的计算机视觉领域、 Ultralytics YOLOv8是物体 检测、 分割和 跟踪等任务的顶级模型。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，了解如何从YOLOv8 中有效提取输出结果，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，关键是要建立并运行YOLOv8 模型。如果您是新手，可以观看我们之前的视频，其中介绍了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：对YOLOv8 模型进行适当的初始化，确保选择适合具体需求的正确模型配置，无论是物体检测还是姿态估计等更复杂的任务。
2. 运行推理：通过模型输入数据以执行推理。此过程将生成一个结果对象，这是您访问所有检测数据的关键。

了解结果对象

YOLOv8 中的结果对象是一个信息金矿。它包含了您进行项目所需的所有检测数据，包括

• 边界框：使用 results.boxes 来获取检测到的物体的坐标。
• 遮罩和关键点：访问分割遮罩和关键点，使用以下工具进行姿势估计 results.masks 和 results.keypoints 分别是
• 班级概率： results.probabilities 提供了每个检测到的类别的可能性，有助于根据置信度分数筛选检测结果。

提取数据供自定义使用

要在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. 访问边框坐标直接从结果对象中获取并处理边框坐标。这包括访问归一化坐标或宽度和高度等特定属性。
3. 处理分类：提取顶级分类，有效利用分类 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、遮罩和分类。
• 利用输出：将结果转换为 JSON 或 CSV 等可用格式，或直接用于在图像或视频流上绘制边界框。

可视化及其他

提取原始数据固然重要，但对这些检测结果进行可视化处理也能让人立即了解模型的性能：

• 绘制矩形使用边界框数据在图像或视频输出中检测到的物体周围绘制矩形。
• 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。

通过以下工具扩展您的人工智能工具包YOLOv8

掌握YOLOv8 输出提取不仅能提高项目能力，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。

请继续关注更多教程，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！ 

点击此处观看完整视频！