yolov8工程实践

最新推荐文章于 2024-08-29 11:52:41 发布

原创最新推荐文章于 2024-08-29 11:52:41 发布 · 627 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#yolov8

本文介绍了Yolov8模型在13800*800输入下的输出结构，包括对象位置、尺寸、概率以及掩码信息。详细解释了如何根据输出获取检测对象的掩码，并通过`results`函数展示了如何在视频中应用及自定义保存路径。

部署运行你感兴趣的模型镜像

1、yolov8语义分割的模型输出信息
输入为800*800*3
输入为640*640*3
以13800*800输入为例，模型最后有两个输出output0和output1：
[1,37,13125]
1 - batch size
37 - the first 5 values “x, y, width, height and probability” of the detected object, next 32 values are the probability for the mask
13125 - the maximum number of possible detected objects（阈值判断，检测框/掩膜计算，非极大值抑制）

[1,32,200,200] array of 32 masks measuring 200 by 200 pixels
1 - batch size
32 - index of the mask
200 - x points
200 - y points

因此，要获得检测到的对象的输出掩码，您需要首先从第一个输出中选择最佳概率并记住对象掩码的索引。
然后根据掩膜索引从第二个输出 [1,mask of index,200,200] 获取对象掩模 200x200 像素，并将 x 点和 y 点插值到输入图像乘以 4（800 / 200 = 4）。

1、    results = model.track(source="F:/A_bubble/bubble.mp4",
                          show=False,
                          save=True,
                          save_dir=save_path,
                          save_txt=False,
                          line_width=1,
                          stream=True,
                          retina_masks=True)
      # 如果要自定义推理结果的保存路径，需要用save_dir参数指定；但是该参数使用前，必须在D:\workspace\ultralytics-main\ultralytics\cfg\default.yaml配置文件中加入对应的参数名：save_dir:    # peanut add