冷库建设网站做图必备素材网站

        YOLOv8 是一个多功能的计算机视觉框架，支持多种任务，包括分类（Classify）、检测（Detect）、旋转目标检测（OBB）、姿态估计（Pose）、实例分割（Segment）。

1. Classify（图像分类）

        • 特点  图像分类任务是将整张图像归类到预定义的类别中。

        • 输出  类别标签和置信度分数。

        • 适用场合 适用于场景识别、物体类别判断等任务。

        • 用法：

from ultralytics import YOLO# 加载预训练的分类模型
model = YOLO('yolov8n-cls.pt')# 进行推理
results = model('path/to/image.jpg')

        • 返回值内容
        probs：一个形状为 (num_classes,) 的张量，包含了输入图像属于每个类别的概率。
        names：一个字典，将类别索引映射到类别名称。

for result in results:probs = result.probsnames = result.namespredicted_class_index = probs.argmax()predicted_class_name = names[predicted_class_index]confidence = probs[predicted_class_index].item()print(f"Predicted class: {predicted_class_name}, Confidence: {confidence:.2f}")

        • 特点
        任务单一：专注于将输入图像分类到预定义的类别中，输出一个类别标签和对应的置信度。
        轻量级设计：模型结构相对简单，推理速度快，适合对大量图像进行快速分类。

2. Detect（目标检测）

        • 特点  检测图像中的物体，并返回每个物体的边界框、类别标签和置信度。

        • 适用场合 安防监控、自动驾驶等场景。

        • 用法：

from ultralytics import YOLO# 加载预训练的目标检测模型
model = YOLO('yolov8n.pt')# 对单张图像进行目标检测
results = model('path/to/image.jpg')# 对视频文件进行目标检测
results = model('path/to/video.mp4')

        • 返回值内容
        boxes：一个 Boxes 对象，包含以下属性：
        xyxy：形状为 (num_detections, 4) 的张量，每个检测框的坐标 (x1, y1, x2, y2)，表示左上角和右下角的坐标。
        cls：形状为 (num_detections,) 的张量，每个检测框的类别索引。
        conf：形状为 (num_detections,) 的张量，每个检测框的置信度。
        names：一个字典，将类别索引映射到类别名称。

for result in results:boxes = result.boxesnames = result.namesfor box in boxes:xyxy = box.xyxy[0].cpu().numpy()cls = int(box.cls.item())conf = box.conf.item()class_name = names[cls]print(f"Class: {class_name}, Confidence: {conf:.2f}, Bbox: {xyxy}")

3. OBB（旋转目标检测）

        • 特点  检测图像中的旋转目标，并返回旋转后的边界框。

        • 适用场合 适用于航空图像、卫星图像等场景，以及文字和特定标志检测，其中目标可能呈现旋转状态。

        • 用法：

from ultralytics import YOLO# 加载预训练的旋转目标检测模型
model = YOLO('yolov8n-obb.pt')# 进行推理
results = model('path/to/image.jpg')

        • 返回值内容  

        旋转边界框：  [x, y, w, h, angle]   格式，表示旋转后的边界框。

        类别标签：检测到的物体类别。

        置信度分数：模型对该检测的置信度。

4. Pose（姿态估计）

        • 特点   检测图像中物体的关键点位置。

        • 适用场合 常用于人体姿态估计、动物姿态分析等场景。

        用于检测图像或视频中人体的关键点位置，如关节、面部特征点等，可用于动作分析、姿态识别等领域。能够同时检测多个人体的姿态，并输出每个关键点的坐标。

        • 用法：

from ultralytics import YOLO# 加载预训练模型
model = YOLO("yolov8n-pose.pt")  # 使用姿态估计模型# 预测图像
results = model("path/to/image.jpg")

        • 预测返回值

        关键点坐标：  [x, y]   格式，表示关键点的位置。

        置信度分数：模型对每个关键点的置信度。

for result in results:keypoints = result.keypointsboxes = result.boxesnames = result.namesfor i in range(len(boxes)):person_keypoints = keypoints.xy[i].cpu().numpy()person_conf = keypoints.conf[i].cpu().numpy()print(f"Person {i} keypoints: {person_keypoints}")print(f"Person {i} keypoints confidence: {person_conf}")

5. Segment（实例分割）

        • 特点   检测图像中的物体，并为每个物体生成分割掩码。不仅能够检测目标的边界框和类别，还能够区分同一类别中的不同实例，精确地分割出每个目标的像素级掩码，，如医学图像分析、自动驾驶等。还

        • 适用场合  适用于需要对目标进行精细分割的场景，如医学图像分割、自动驾驶中的道路分割等场景。

        • 用法：

from ultralytics import YOLO# 加载预训练的实例分割模型
model = YOLO('yolov8n-seg.pt')# 进行推理
results = model('path/to/image.jpg')

        • 预测返回值

        boxes：一个 Boxes 对象，包含每个检测框的坐标、类别索引和置信度。
        masks：一个 Masks 对象，包含以下属性：
        data：形状为 (num_detections, height, width) 的张量，每个检测实例的二进制掩码。
        xy：每个掩码的多边形坐标。
        names：一个字典，将类别索引映射到类别名称。

for result in results:boxes = result.boxesmasks = result.masksnames = result.namesfor i in range(len(boxes)):cls = int(boxes.cls[i].item())conf = boxes.conf[i].item()mask = masks.data[i].cpu().numpy()class_name = names[cls]print(f"Class: {class_name}, Confidence: {conf:.2f}")