yolov8获取边界框坐标

### YOLOv8 中获取边界框坐标的实现方法 YOLOv8 是一种高效的目标检测算法，能够快速预测图像中的目标及其对应的位置和类别。为了从模型的输出中提取边界框坐标，可以利用 `ultralytics` 库提供的接口来解析预测结果。 以下是具体的操作流程以及代码示例： #### 解析预测结果并提取边界框坐标 当使用 YOLOv8 进行推理时，模型会返回一个包含多个字段的结果对象。这些字段包括但不限于边界框坐标、置信度分数和类别标签。通过访问这个结果对象，可以直接提取所需的边界框信息。 ```python from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolov8n.pt") # 使用小型版本模型作为示例 # 对输入图像进行推理 results = model("example.jpg") # 遍历每张图片的检测结果 (假设只有一张图片) for result in results: boxes = result.boxes.cpu().numpy() # 将边界框数据转换为 NumPy 数组 # 提取边界框坐标 (xywh 格式)，置信度分数和类别 ID box_coordinates = boxes.xywh # 形状为 (N, 4)，表示 N 个边界框的中心点坐标和宽高 confidences = boxes.conf # 形状为 (N,)，表示每个边界的置信度得分 class_ids = boxes.cls # 形状为 (N,)，表示每个边界的类别索引 # 打印前五个边界框的信息 for i in range(min(5, len(box_coordinates))): x_center, y_center, width, height = box_coordinates[i] confidence = confidences[i] class_id = int(class_ids[i]) print(f"边界框 {i}: 类别={class_id}, 置信度={confidence:.2f}, " f"中心=(x={x_center:.2f}, y={y_center:.2f}), 宽={width:.2f}, 高={height:.2f}") ``` 上述代码展示了如何加载模型并对单张图像执行推理操作[^1]。随后，它遍历了检测到的所有边界框，并打印出了它们的详细信息，包括类别、置信度以及标准化后的 `(x_center, y_center, width, height)` 坐标形式[^2]。 #### 转换为像素级坐标 需要注意的是，默认情况下，YOLO 输出的边界框是以相对比例的形式给出的（即相对于整个图像尺寸）。如果希望将其转化为实际像素值，则需乘以原始图像的高度和宽度。 ```python import cv2 image_path = "example.jpg" img = cv2.imread(image_path) h, w, _ = img.shape # 获取图像的实际高度和宽度 # 转换为中心点和宽高的绝对像素值 absolute_boxes = [] for coord in box_coordinates: x_center_abs = coord[0] * w y_center_abs = coord[1] * h width_abs = coord[2] * w height_abs = coord[3] * h absolute_boxes.append([x_center_abs, y_center_abs, width_abs, height_abs]) print("绝对像素级别的边界框:", absolute_boxes[:5]) # 显示前五个边界框 ``` 此部分代码进一步处理了之前获得的标准比例坐标，使其适应于具体的图像分辨率需求。 --- ###