劉老師的跨域創想工坊

YOLOv8 圖像目標檢測教學：從安裝到結果保存

在本篇教學中，我們將一步步引導你如何使用 YOLOv8 執行圖像目標檢測，從安裝環境到保存檢測結果。以下內容適合初學者快速上手 YOLOv8。

1. 環境準備

首先，確保你的 Python 環境已安裝以下必要的庫。你可以使用以下命令來完成安裝：

pip install ultralytics opencv-python matplotlib

2. YOLOv8 的基本結構

YOLOv8 提供了簡單易用的 API，以下是典型的使用流程：

1. 加載 YOLO 模型。
2. 對圖像或視頻進行目標檢測。
3. 保存並可視化檢測結果。

3. YOLOv8 檢測完整範例

以下是一個 YOLOv8 的完整範例程式碼，涵蓋從模型加載到結果保存的所有步驟。

from ultralytics import YOLO
import os
import cv2
import matplotlib.pyplot as plt

# 創建保存結果的目錄
save_dir = 'results/'
os.makedirs(save_dir, exist_ok=True)

# 加載 YOLO 模型 (使用 COCO 預訓練權重)
model = YOLO('yolov8n.pt')  # 使用 Nano 模型

# 推理：對單張圖片進行目標檢測
image_path = 'image.jpg'  # 替換為您的圖片路徑
results = model(image_path)  # 執行目標檢測

# 1. 可視化檢測結果
annotated_image = results[0].plot()  # 繪製帶有檢測結果的圖片

# 使用 Matplotlib 顯示結果
plt.imshow(cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.show()

# 2. 保存檢測結果圖片
cv2.imwrite(os.path.join(save_dir, 'detected_image.jpg'), annotated_image)
print(f"Saved detection result to {os.path.join(save_dir, 'detected_image.jpg')}")

# 3. 打印檢測到的所有類別名稱
detected_classes = set()  # 用集合儲存類別，避免重複
for box in results[0].boxes:
    cls_id = int(box.cls[0])  # 類別 ID
    class_name = model.names[cls_id]  # 類別名稱
    detected_classes.add(class_name)

print("Detected Classes:")
for cls in detected_classes:
    print(f"- {cls}")

4. 程式碼解析

步驟 1: 加載模型

以下代碼加載 YOLOv8 的 Nano 模型，該模型輕量且速度快，適合入門使用。

model = YOLO('yolov8n.pt')

步驟 2: 圖片檢測

執行目標檢測，並將結果儲存在 results 中：

results = model(image_path)

步驟 3: 可視化檢測結果

使用 results[0].plot() 方法繪製檢測結果：

annotated_image = results[0].plot()

步驟 4: 保存檢測結果

將繪製好的結果圖片保存到本地：

cv2.imwrite(os.path.join(save_dir, 'detected_image.jpg'), annotated_image)

步驟 5: 打印檢測到的類別

列出圖片中所有被檢測到的物體類別名稱：

detected_classes = set()
for box in results[0].boxes:
    cls_id = int(box.cls[0])
    class_name = model.names[cls_id]
    detected_classes.add(class_name)

5. 測試圖片的效果

當使用 COCO 預訓練模型時，YOLOv8 可以檢測圖片中的 80 種常見物體，例如：

• person
• car
• dog
• bicycle

例如，對一張街道圖片檢測後，輸出可能如下：

Detected Classes:
- person
- car
- bicycle

6. 進階功能

檢測多張圖片

一次性對多張圖片進行目標檢測：

image_paths = ['image1.jpg', 'image2.jpg']
results = model(image_paths)
for i, result in enumerate(results):
    result.save(save_dir=os.path.join(save_dir, f'image_{i}'))

設置置信度閾值

過濾掉置信度低於閾值的檢測結果：

confidence_threshold = 0.5
for box in results[0].boxes:
    if box.conf[0] > confidence_threshold:
        print(f"Class: {int(box.cls[0])}, Confidence: {box.conf[0]:.2f}")

7. 注意事項

• 確保圖片文件存在，且路徑正確。
• 如果保存結果時遇到權限問題，請檢查保存目錄的寫入權限。
• 如果檢測速度較慢，可以使用輕量級模型（如 yolov8n.pt），或安裝 GPU 支持的 PyTorch 版本進行加速。

結語

通過這篇教學，你應該已經掌握了如何使用 YOLOv8 進行圖片目標檢測。如果有任何問題，請隨時留言交流！

註: 目前yolo8不支援python 12,請使用python 11安裝, 以下為測試用圖片