向AI转型的程序员都关注公众号 机器学习AI算法工程
YOLOv8现在可以接受输入很多，如下表所示。包括图像、URL、PIL图像、OpenCV、NumPy数组、Torch张量、CSV文件、视频、目录、通配符、YouTube视频和视频流。表格✅指示了每个输入源是否可以在流模式下使用，并给出了每个输入源使用流模式的示例参数
预测参数
下面是每个参数的解释：
source：输入源的目录，可以是图像或视频文件。
conf：目标检测的对象置信度阈值。只有置信度高于此阈值的对象才会被检测出来。默认值为0.25。
iou：非极大值抑制（NMS）的交并比（IoU）阈值。用于在重叠较大的候选框中选择最佳的检测结果。默认值为0.7。
half：是否使用半精度（FP16）进行推理。半精度可以减少计算量，但可能会牺牲一些精度。默认值为False。
device：模型运行的设备，可以是cuda设备（cuda device=0/1/2/3）或CPU（device=cpu）。
show：是否显示检测结果。如果设置为True，则会在屏幕上显示检测到的对象。默认值为False。
save：是否保存带有检测结果的图像。如果设置为True，则会将检测结果保存为图像文件。默认值为False。
save_txt：是否将检测结果保存为文本文件（.txt）。默认值为False。
save_conf：是否将检测结果与置信度分数一起保存。默认值为False。
save_crop：是否保存裁剪后的带有检测结果的图像。默认值为False。
hide_labels：是否隐藏标签。如果设置为True，则在显示检测结果时不显示对象标签。默认值为False。
hide_conf：是否隐藏置信度分数。如果设置为True，则在显示检测结果时不显示置信度分数。默认值为False。
max_det：每张图像的最大检测数。如果检测到的对象数超过此值，将保留置信度高低来保留。默认值为300。
vid_stride：视频帧率步长。默认值为False，表示使用默认的帧率。
line_width：边界框的线宽。如果设置为None，则根据图像大小进行自动缩放。默认值为None。
visualize：是否可视化模型特征。默认值为False。
augment：是否对预测源应用图像增强。默认值为False。
agnostic_nms：是否使用类别无关的NMS。默认值为False。
retina_masks：是否使用高分辨率的分割掩膜。默认值为False。
classes：按类别过滤结果。可以指定单个类别（例如class=0）或多个类别（例如class=[0,2,3]）。默认值为None，表示不进行类别过滤。
boxes：在分割预测中显示边界框。默认值为True。
使用Results对象
Results对象包含以下组件：
Results.boxes：用于操作边界框的属性和方法的对象
Results.masks：用于索引掩膜或获取分段坐标的对象
Results.probs：包含类别概率或逻辑值的张量（tensor）
Results.orig_img：加载在内存中的原始图像
Results.path：包含输入图像的路径
result对象默认是torch.Tensor对象，也可以转为其他对象
Boxes
Boxes对象可用于索引、操作边界框，并将其转换为不同的格式。Box格式转换结果是缓存的，这意味着每个对象只计算一次，并且这些值将在将来的调用中重复使用。
视频流数据源
以下是使用OpenCV和YOLOv8在视频帧上运行推理的代码。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx