【合适新人】预测图片教程——如何随机抽取验证集图片进行可视化推理！（附完整代码）

前言

相信很多正在使用 YOLO 的小伙伴都遇到过这样一个场景：模型辛辛苦苦训练完了，看着终端里打印出来的 mAP、Precision、Recall 等指标，虽然知道模型效果还不错，但心里总有点不踏实。“它在真实图片上的表现到底怎么样？”

为了直观地看到效果，我们通常会使用 predict 模式，但它要么需要指定单张图片，要么需要指定一个文件夹。如果我们想快速、随机地检查一下模型在验证集（val set）上的整体表现，而不是枯燥地看指标，该怎么办呢？

本文将手把手教你编写一个 Python 脚本，它能自动读取你数据集的 .yaml 配置文件，找到验证集路径，并从中随机抽取100张图片进行推理，最后将带有标注框的结果图保存在指定文件夹。让你对模型效果一目了然！

(这是一张示例效果图，你可以替换成自己的预测结果图)

准备工作
在开始之前，请确保你已经准备好了以下环境：

Python 环境：建议 Python 3.8 或更高版本。

ultralytics 库：已经成功安装。如果没有，请执行 pip install ultralytics。

一个训练好的 YOLOv8 模型：也就是你的 .pt 权重文件，例如 best.pt。

一个标准 YOLOv8 格式的数据集：包含 train、val 文件夹以及一个指向它们的 .yaml 配置文件。

核心代码
话不多说，直接上代码。这是我们今天的主角，一个功能强大且易于理解的脚本。

建议：将下面的代码保存为 predict_val_random.py 文件，并放置在你的 ultralytics-main 项目根目录下（和 train.py, val.py 平级）。

import argparse
import random
import os
from ultralytics import YOLO
import warnings
from glob import glob
import yaml# 忽略不必要的警告信息
warnings.filterwarnings('ignore')def main(opt):"""主函数，执行模型加载、图像采样和预测任务。"""print("🚀 开始执行预测任务...")# 1. 初始化 YOLO 模型print(f"⌛ 正在加载模型权重: {opt.weights}")model = YOLO(opt.weights)print("✅ 模型加载成功！")# 2. 从 data.yaml 文件中获取并解析验证集路径print(f"🔍 正在读取数据集配置文件: {opt.data_path}")try:with open(opt.data_path, 'r', encoding='utf-8') as f:data_cfg = yaml.safe_load(f)# --- 核心修正部分：正确解析 YAML 路径 ---yaml_dir = os.path.dirname(opt.data_path)# 步骤 A: 获取并解析数据集根目录（通常是 'path' 键）# 如果 'path' 键不存在，则默认为 yaml 文件所在的目录dataset_root = data_cfg.get('path', '')if not os.path.isabs(dataset_root):# 将相对于 yaml 的路径转换为绝对路径dataset_root = os.path.abspath(os.path.join(yaml_dir, dataset_root))# 步骤 B: 获取验证集相对路径（'val' 键）val_relative_path = data_cfg.get('val')if not val_relative_path:print(f"❌ 在 {opt.data_path} 中未找到 'val' 键值。")return# 步骤 C: 组合成最终的绝对路径val_path = os.path.join(dataset_root, val_relative_path)# --- 修正结束 ---except Exception as e:print(f"❌ 读取或解析 YAML 文件失败: {e}")returnprint(f"✅ 成功解析到最终验证集路径: {val_path}")# 检查最终路径是否存在if not os.path.exists(val_path):print(f"❌ 致命错误：计算出的最终验证集路径不存在！")print(f"   请检查您的 '{opt.data_path}' 文件中的 'path' 和 'val' 配置是否正确。")return# 3. 收集所有验证集图片路径img_formats = ('*.jpg', '*.jpeg', '*.png', '*.bmp', '*.gif')all_images = []if os.path.isdir(val_path):for fmt in img_formats:all_images.extend(glob(os.path.join(val_path, fmt)))# 支持 COCO 风格的 txt 文件列表elif os.path.isfile(val_path) and val_path.endswith('.txt'):print("ℹ️ 检测到验证集路径为 txt 文件，正在读取图片列表...")with open(val_path, 'r') as f:txt_dir = os.path.dirname(val_path)all_images = [os.path.join(txt_dir, line.strip()) for line in f.readlines() if line.strip()]else:# 这个错误理论上不会再触发，因为前面已经用 os.path.exists 检查过了print(f"❌ 验证集路径格式不支持: {val_path}")returnif not all_images:print("❌ 在指定路径下未找到任何图片文件！请检查文件夹是否为空或txt文件内容是否正确。")returnprint(f"✅ 成功找到 {len(all_images)} 张验证集图片。")# 4. 从所有图片中随机抽取 100 张num_to_sample = min(100, len(all_images))print(f"🎲 正在随机抽取 {num_to_sample} 张图片进行预测...")sample_images = random.sample(all_images, num_to_sample)# 5. 逐张进行推理并保存结果图output_dir = os.path.join(opt.project, opt.name)print(f"🖼️ 开始逐张预测，结果将保存至: {output_dir}")for i, img_path in enumerate(sample_images):print(f"   -> 正在处理第 {i+1}/{num_to_sample} 张图片: {os.path.basename(img_path)}")model.predict(source=img_path,imgsz=opt.img_size,device=opt.device,save=True,project=opt.project,name=opt.name,exist_ok=True,save_txt=False,save_conf=False,verbose=False)print("\n🎉 全部预测完成！")print(f"✅ 成功预测并保存了 {len(sample_images)} 张图片。")print(f"👉 请在以下目录查看结果: {output_dir}")if __name__ == "__main__":parser = argparse.ArgumentParser(description="对验证集中的随机100张图片进行YOLOv8预测")parser.add_argument('--weights', type=str, required=True, help='模型权重文件的路径 (.pt 文件)')parser.add_argument('--data_path', type=str, required=True, help='数据集的 .yaml 配置文件路径')parser.add_argument('--img_size', type=int, default=640, help='输入网络模型的图片尺寸')parser.add_argument('--device', type=str, default='0', help='运行设备，例如 "cpu" 或 "0", "0,1"')parser.add_argument('--project', type=str, default='runs/detect', help='保存结果的项目根目录')parser.add_argument('--name', type=str, default='random_100_predict', help='本次预测任务的实验名称')opt = parser.parse_args()main(opt)####

本文 Python 脚本，它能自动读取你数据集的 .yaml 配置文件，找到验证集路径，并从中随机抽取100张图片进行推理，最后将带有标注框的结果图保存在指定文件夹。让你对模型效果一目了然！

使用教程

使用这个脚本非常简单，只需要一个命令即可搞定！

第 1 步：理解命令行参数
脚本通过 argparse 库接收几个参数，其中两个是必须的：

–weights (必填): 你的模型权重文件路径。

–data_path (必填): 你的数据集配置文件 .yaml 的路径。

–img_size: 推理时输入的图片尺寸，默认为 640。

–device: 使用哪个设备，‘cpu’ 或者 GPU 编号 ‘0’，默认为 ‘0’。

–project: 保存结果的根目录，默认为 runs/detect。

–name: 本次预测任务的名称，结果会保存在 project/name 目录下，默认为 random_100_predict。

第 2 步：执行命令
打开你的终端，确保路径位于 ultralytics-main 目录下。然后根据你的实际文件路径，执行以下命令。

这里我们使用文章开头提到的路径作为示例：

python predict_val_random.py --weights /root/lanyun-tmp/ultralytics-main/runs/train/exp8/weights/best.pt --data_path /root/lanyun-tmp/ultralytics-main/ultralytics/people1.yaml

请务必将上面的路径替换成你自己的实际路径！

第 3 步：查看结果
命令执行后，你会看到类似下面的日志输出：

🚀 开始执行预测任务… ⌛ 正在加载模型权重: /path/to/your/best.pt ✅ 模型加载成功！ 🔍
正在读取数据集配置文件: /path/to/your/people1.yaml ✅ 成功解析到最终验证集路径:
/path/to/your/datasets/people/images/val ✅ 成功找到 1234 张验证集图片。 🎲 正在随机抽取
100 张图片进行预测… 🖼️ 开始逐张预测，结果将保存至: runs/detect/random_100_predict ->
正在处理第 1/100 张图片: image_001.jpg -> 正在处理第 2/100 张图片: image_056.jpg
… -> 正在处理第 100/100 张图片: image_987.jpg

🎉 全部预测完成！ ✅ 成功预测并保存了 100 张图片。 👉 请在以下目录查看结果:
runs/detect/random_100_predict

任务完成后，你就可以在项目目录下的 runs/detect/random_100_predict 文件夹中找到所有带有预测框的结果图了！

总结
通过这个简单的脚本，我们实现了一个非常实用的功能，它打通了模型训练和效果验证之间“最后的可视化一公里”。它不仅能帮你快速抽查模型在验证集上的实际表现，而且代码逻辑清晰，非常适合新手学习 argparse、glob、yaml 等库的综合使用。

希望这篇教程能对你有所帮助！如果你觉得文章不错，别忘了点赞、收藏、加关注哦！有任何问题，也欢迎在评论区留言交流。