超详细的使用yolov8进行预测的参数详解_yolov8 predict 参数

目录

yolov8导航

YOLOv8（附带各种任务详细说明链接）

介绍

为什么选择 Ultralytics YOLO 进行推理？

预测模式的关键特性

推理流程

 在图像文件上运行推理

推理参数

示例

推理参数

可视化参数

图像和视频格式

图像

视频

处理结果

示例

结果解读

结果对象的属性：

结果对象的方法：

处理 Boxes 对象

Boxes 类的方法和属性：

处理 Masks 对象

Masks 类的方法和属性：

处理 Keypoints 对象

Keypoints 类的方法和属性：

处理 Probs 对象

Probs 类的方法和属性：

处理 OBB 对象

OBB 类的方法和属性：

绘制结果

示例

plot() 方法参数

线程安全的推理

示例：线程安全推理

流式处理源循环

示例：流式处理循环

 总结

---

yolov8导航

        如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

介绍

在机器学习和计算机视觉的领域，对视觉数据进行解读的过程被称为“推理”或“预测”。Ultralytics YOLOv8 提供了一项强大的功能——预测模式，专为高性能、实时推理各种数据源而设计。

为什么选择 Ultralytics YOLO 进行推理？

以下是为什么你应该考虑使用 YOLOv8 的预测模式来满足各种推理需求的原因：

• 多功能性：能够对图像、视频甚至实时流进行推理，适应各种数据源。
• 高性能：专为实时、高速处理而设计，在不牺牲准确性的前提下提供卓越的性能。
• 易用性：提供直观的 Python 和 CLI 接口，便于快速部署和测试，降低了使用门槛。
• 高度可定制：允许通过各种设置和参数来调整模型的推理行为，以满足您的具体需求，确保灵活应用。

预测模式的关键特性

YOLOv8 的预测模式设计得非常强大且多功能，主要特性包括：

• 多数据源兼容性：无论您的数据是单个图像、一组图像、视频文件，还是实时视频流，预测模式都能处理。
• 流模式：使用流模式来生成内存高效的 Results 对象生成器。通过在预测器的调用方法中设置 stream=True 来启用此功能。
• 批处理：能够在单个批次中处理多张图像或视频帧，从而进一步加快推理速度。
• 易于集成：由于其灵活的 API，可以轻松与现有的数据管道和其他软件组件集成。

当在推理期间传递 stream=True 时，Ultralytics YOLO 模型返回一个内存高效的 Python 生成器的 Results 对象；否则，返回一个 Results 对象的 Python 列表：

from ultralytics import YOLO
 
# 加载模型
model = YOLO("yolov8n.pt")  # 预训练的 YOLOv8n 模型
 
# 对一组图像运行批量推理
results = model(["im1.jpg", "im2.jpg"])  # 返回一个 Results 对象列表
 
# 处理结果列表
for result in results:
    boxes = result.boxes  # 包含边界框输出的 Boxes 对象
    masks = result.masks  # 包含分割掩码输出的 Masks 对象
    keypoints = result.keypoints  # 包含姿态输出的 Keypoints 对象
    probs = result.probs  # 包含分类输出的 Probs 对象
    obb = result.obb  # 包含 OBB 输出的 Oriented boxes 对象
    result.show()  # 显示结果
    result.save(filename="result.jpg")  # 保存结果到磁盘

推理流程

YOLOv8 可以处理不同类型的输入来源进行推理，如下表所示。输入来源包括静态图像、视频流和各种数据格式。表中还指出了每种来源是否可以在流模式下使用（使用参数 stream=True ✅）。对于处理视频或实时流，流模式非常有用，因为它创建了结果生成器，而不是将所有帧加载到内存中。

提示

对于处理长视频或大型数据集，使用 stream=True 以有效管理内存。当 stream=False 时，所有帧或数据点的结果都会存储在内存中，对于大输入来说可能会导致内存不足错误。相反，stream=True 利用了生成器，仅将当前帧或数据点的结果保存在内存中，显著减少了内存消耗，防止内存不足问题。

 在图像文件上运行推理

from ultralytics import YOLO
 
# 加载预训练的 YOLOv8n 模型
model = YOLO("yolov8n.pt")
 
# 定义图像文件的路径
source = "path/to/image.jpg"
 
# 在该源上运行推理
results = model(source)  # 返回一个 Results 对象列表

推理参数

model.predict() 接受多个可以在推理时传递的参数，以覆盖默认值：

示例

from ultralytics import YOLO
 
# 加载预训练的 YOLOv8n 模型
model = YOLO("yolov8n.pt")
 
# 运行带有参数的推理，例如在 'bus.jpg' 上
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

推理参数