yoloworld如何测试

### 关于YOLOWorld模型的测试 对于 `YOLOWorld` 模型的测试，无论是基于 YOLOv5 还是 YOLOv8 框架，都需要遵循一定的流程来加载预训练权重并执行推理操作。以下是针对两种框架的具体实现方式。 #### 基于 YOLOv8 的测试方法 如果使用的是 YOLOv8 框架下的 `YOLOWorld` 模型，则可以通过 Ultralytics 提供的官方接口完成预测任务。具体代码如下： ```python from ultralytics import YOLOWorld # 初始化 YOLO-World 模型，并加载对应的预训练权重文件 model = YOLOWorld('yolov8x-world.pt') # 可替换为其他大小的世界版本模型，如 'yolov8m-world.pt' # 使用指定图像进行推断 results = model.predict('test_image.jpg') # 显示推断结果 results[0].show() ``` 上述代码展示了如何加载预训练模型并对一张图片进行目标检测[^2]。其中，`predict()` 方法用于运行前向传播计算，而 `show()` 则负责可视化输出结果。 #### 基于 YOLOv5 的测试方法 当采用 YOLOv5 架构时，虽然没有直接提到名为 “YOLOWorld” 的特定变体，但可以根据通用做法来进行自定义模型评估。下面是一个典型例子： ```python import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.datasets import letterbox import cv2 import numpy as np def detect(image_path='test_image.jpg', weights='best.pt'): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') half = device.type != 'cpu' img_size = 640 # 加载模型 model = attempt_load(weights, map_location=device) stride = int(model.stride.max()) names = model.module.names if hasattr(model, 'module') else model.names colors = [[np.random.randint(0, 255) for _ in range(3)] for _ in names] img0 = cv2.imread(image_path) img = letterbox(img0, new_shape=img_size)[0] img = img[:, :, ::-1].transpose(2, 0, 1) img = np.ascontiguousarray(img).astype(np.float32) img /= 255.0 img = torch.from_numpy(img).to(device) img = img.half() if half else img.float() if img.ndimension() == 3: img = img.unsqueeze(0) pred = model(img, augment=False)[0] pred = non_max_suppression(pred, conf_thres=0.4, iou_thres=0.5) det = pred[0] if len(det): det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img0.shape).round() for *xyxy, conf, cls in reversed(det): label = f'{names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, img0, label=label, color=colors[int(cls)], line_thickness=3) cv2.imshow("Result", img0) cv2.waitKey(0) if __name__ == '__main__': detect() ``` 此脚本实现了从读取输入图像到绘制边界框整个过程的功能[^1]。注意这里假设已经存在经过良好调优后的 `.pt` 文件作为权重源；同时需确保安装有相应依赖库以及配置好环境变量路径等条件满足才能正常运作。 另外值得注意的一点在于跨平台部署场景下可能还需要借助 ONNX 工具链把原始 PyTorch 格式的参数序列化成中间表示形式以便后续移植至其它语言绑定层之上继续发挥作用[^5]。 --- ### 总结 综上所述，在实际开发过程中可根据所选用的不同版本系列灵活调整具体的 API 调用细节即可顺利完成相应的功能模块构建工作。无论是在本地验证还是云端服务端集成方面均具备较高的实用价值。