You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
226 lines
19 KiB
226 lines
19 KiB
--- |
|
comments: true |
|
description: Узнайте, как использовать режим предсказаний YOLOv8 для различных задач. Изучите различные источники вывода, такие как изображения, видео и форматы данных. |
|
keywords: Ultralytics, YOLOv8, режим предсказаний, источники вывода, задачи предсказания, режим потоковой передачи, обработка изображений, обработка видео, машинное обучение, искусственный интеллект |
|
--- |
|
|
|
# Прогнозирование моделью Ultralytics YOLO |
|
|
|
<img width="1024" src="https://github.com/ultralytics/assets/raw/main/yolov8/banner-integrations.png" alt="Экосистема и интеграции Ultralytics YOLO"> |
|
|
|
## Введение |
|
|
|
В мире машинного обучения и компьютерного зрения процесс извлечения информации из визуальных данных называется 'выводом' или 'предсказанием'. Ultralytics YOLOv8 предлагает мощную функцию, известную как **режим предсказаний**, который предназначен для высокопроизводительного реального времени вывода на широкий спектр источников данных. |
|
|
|
<p align="center"> |
|
<br> |
|
<iframe width="720" height="405" src="https://www.youtube.com/embed/QtsI0TnwDZs?si=ljesw75cMO2Eas14" |
|
title="Проигрыватель видео YouTube" frameborder="0" |
|
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" |
|
allowfullscreen> |
|
</iframe> |
|
<br> |
|
<strong>Смотреть:</strong> Как извлечь результаты из модели Ultralytics YOLOv8 для пользовательских проектов. |
|
</p> |
|
|
|
## Прикладные области |
|
|
|
| Производство | Спорт | Безопасность | |
|
|:-------------------------------------------------------------------------------------------------------------------------------:|:-----------------------------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------------------------------:| |
|
|  |  |  | |
|
| Обнаружение автозапчастей | Обнаружение футболистов | Обнаружение падения людей | |
|
|
|
## Почему стоит использовать Ultralytics YOLO для вывода? |
|
|
|
Вот почему вам следует рассмотреть режим предсказаний YOLOv8 для ваших различных потребностей в выводе: |
|
|
|
- **Универсальность:** Возможность делать выводы по изображениям, видео и даже потоковым трансляциям. |
|
- **Производительность:** Разработан для обработки данных в реальном времени без потери точности. |
|
- **Простота использования:** Интуитивно понятные интерфейсы Python и CLI для быстрого развертывания и тестирования. |
|
- **Высокая настраиваемость:** Различные настройки и параметры для настройки поведения модели вывода в соответствии с вашими конкретными требованиями. |
|
|
|
### Ключевые особенности режима предсказаний |
|
|
|
Режим предсказаний YOLOv8 разработан, чтобы быть надежным и универсальным, он включает в себя: |
|
|
|
- **Совместимость с несколькими источниками данных:** независимо от того, представлены ли ваши данные в виде отдельных изображений, коллекции изображений, видеофайлов или потокового видео, режим предсказаний покрывает все это. |
|
- **Режим потоковой передачи:** Используйте функцию потоковой передачи для создания генератора объектов `Results`, экономящего память. Активируйте это, установив `stream=True` в методе вызова предиктора. |
|
- **Пакетная обработка:** Возможность обрабатывать несколько изображений или видеокадров за один пакет, что дополнительно ускоряет время вывода. |
|
- **Дружественная интеграция:** Легко интегрируется с существующими данными и другими программными компонентами благодаря гибкому API. |
|
|
|
Модели Ultralytics YOLO возвращают либо список объектов `Results`, либо генератор объектов `Results` в Python, экономящий память, когда `stream=True` передается в модель во время вывода: |
|
|
|
!!! Example "Предсказание" |
|
|
|
=== "Вернуть список с `stream=False`" |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузка модели |
|
model = YOLO('yolov8n.pt') # предварительно обученная модель YOLOv8n |
|
|
|
# Пакетный вывод на список изображений |
|
results = model(['im1.jpg', 'im2.jpg']) # вернуть список объектов Results |
|
|
|
# Обработка списка результатов |
|
for result in results: |
|
boxes = result.boxes # Объект Boxes для вывода bbox |
|
masks = result.masks # Объект Masks для вывода масок сегментации |
|
keypoints = result.keypoints # Объект Keypoints для вывода поз |
|
probs = result.probs # Объект Probs для вывода вероятностей классификации |
|
``` |
|
|
|
=== "Вернуть генератор с `stream=True`" |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузка модели |
|
model = YOLO('yolov8n.pt') # предварительно обученная модель YOLOv8n |
|
|
|
# Пакетный вывод на список изображений |
|
results = model(['im1.jpg', 'im2.jpg'], stream=True) # вернуть генератор объектов Results |
|
|
|
# Обработка генератора результатов |
|
for result in results: |
|
boxes = result.boxes # Объект Boxes для вывода bbox |
|
masks = result.masks # Объект Masks для вывода масок сегментации |
|
keypoints = result.keypoints # Объект Keypoints для вывода поз |
|
probs = result.probs # Объект Probs для вывода вероятностей классификации |
|
``` |
|
|
|
## Источники вывода |
|
|
|
YOLOv8 может обрабатывать различные типы входных источников для вывода, как показано в таблице ниже. Источники включают статические изображения, видеопотоки и различные форматы данных. В таблице также указано, можно ли использовать каждый источник в режиме потоковой передачи с аргументом `stream=True` ✅. Режим потоковой передачи полезен для обработки видео или живых трансляций, так как создает генератор результатов вместо загрузки всех кадров в память. |
|
|
|
!!! Tip "Совет" |
|
|
|
Используйте `stream=True` для обработки длинных видеороликов или больших наборов данных для эффективного управления памятью. Когда `stream=False`, результаты для всех кадров или точек данных хранятся в памяти, что может быстро накопиться и вызвать ошибки переполнения памяти для больших входов. В отличие от этого, `stream=True` использует генератор, который хранит в памяти результаты только текущего кадра или точки данных, значительно сокращая потребление памяти и предотвращая проблемы с переполнением памяти. |
|
|
|
| Источник | Аргумент | Тип | Заметки | |
|
|-----------------|--------------------------------------------|------------------|---------------------------------------------------------------------------------------------------------------| |
|
| изображение | `'image.jpg'` | `str` или `Path` | Одиночный файл изображения. | |
|
| URL | `'https://ultralytics.com/images/bus.jpg'` | `str` | URL на изображение. | |
|
| скриншот | `'screen'` | `str` | Снять скриншот. | |
|
| PIL | `Image.open('im.jpg')` | `PIL.Image` | Формат HWC с RGB каналами. | |
|
| OpenCV | `cv2.imread('im.jpg')` | `np.ndarray` | Формат HWC с BGR каналами `uint8 (0-255)`. | |
|
| numpy | `np.zeros((640,1280,3))` | `np.ndarray` | Формат HWC с BGR каналами `uint8 (0-255)`. | |
|
| torch | `torch.zeros(16,3,320,640)` | `torch.Tensor` | Формат BCHW с RGB каналами `float32 (0.0-1.0)`. | |
|
| CSV | `'sources.csv'` | `str` или `Path` | CSV-файл, содержащий пути к изображениям, видео или каталогам. | |
|
| видео ✅ | `'video.mp4'` | `str` или `Path` | Видеофайл в форматах, вроде MP4, AVI и т.д. | |
|
| каталог ✅ | `'path/'` | `str` или `Path` | Путь к каталогу, содержащему изображения или видео. | |
|
| глоб ✅ | `'path/*.jpg'` | `str` | Шаблон глоба для сопоставления нескольких файлов. Используйте символ `*` как подстановочный. | |
|
| YouTube ✅ | `'https://youtu.be/LNwODJXcvt4'` | `str` | URL на видео YouTube. | |
|
| поток ✅ | `'rtsp://example.com/media.mp4'` | `str` | URL для потоковых протоколов, таких как RTSP, RTMP, TCP, или IP-адрес. | |
|
| много-потоков ✅ | `'list.streams'` | `str` или `Path` | Текстовый файл `*.streams` с одним URL потока на строку, например, 8 потоков запустятся с пакетом размером 8. | |
|
|
|
Ниже приведены примеры кода для использования каждого типа источника: |
|
|
|
!!! Example "Источники предсказаний" |
|
|
|
=== "изображение" |
|
Выполнить вывод на файл изображения. |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Определите путь к файлу изображения |
|
source = 'path/to/image.jpg' |
|
|
|
# Выполнить вывод на источник |
|
results = model(source) # список объектов Results |
|
``` |
|
|
|
=== "скриншот" |
|
Выполнить вывод на текущее содержимое экрана в виде скриншота. |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Определение текущего скриншота как источника |
|
source = 'screen' |
|
|
|
# Выполнить вывод на источник |
|
results = model(source) # список объектов Results |
|
``` |
|
|
|
=== "URL" |
|
Выполнить вывод на изображение или видео, размещенные удаленно по URL. |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Определение URL удаленного изображения или видео |
|
source = 'https://ultralytics.com/images/bus.jpg' |
|
|
|
# Выполнить вывод на источник |
|
results = model(source) # список объектов Results |
|
``` |
|
|
|
=== "PIL" |
|
Выполнение вывода на изображение, открытое с помощью Python Imaging Library (PIL). |
|
```python |
|
from PIL import Image |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Открытие изображения с помощью PIL |
|
source = Image.open('path/to/image.jpg') |
|
|
|
# Выполнение вывода на источник |
|
results = model(source) # список объектов Results |
|
``` |
|
|
|
=== "OpenCV" |
|
Выполнение вывода на изображение, прочитанное с помощью OpenCV. |
|
```python |
|
import cv2 |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Чтение изображения с помощью OpenCV |
|
source = cv2.imread('path/to/image.jpg') |
|
|
|
# Выполнение вывода на источник |
|
results = model(source) # список объектов Results |
|
``` |
|
|
|
=== "numpy" |
|
Выполнение вывода на изображение, представленное в виде массива numpy. |
|
```python |
|
import numpy as np |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Создание случайного массива numpy с формой HWC (640, 640, 3) со значениями в диапазоне [0, 255] и типом uint8 |
|
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype='uint8') |
|
|
|
# Выполнение вывода на источник |
|
results = model(source) # список объектов Results |
|
``` |
|
|
|
=== "torch" |
|
Выполнение вывода на изображение, представленное в виде тензора PyTorch. |
|
```python |
|
import torch |
|
from ultralytics import YOLO |
|
|
|
# Загрузка предварительно обученной модели YOLOv8n |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Создание случайного тензора torch с формой BCHW (1, 3, 640, 640) со значениями в диапазоне [0, 1] и типом float32 |
|
source = torch.rand(1, 3, 640, 640, dtype=torch.float32) |
|
|
|
# Выполнение вывода на источник |
|
results = model(source) # список объектов Results
|
|
|