YOLOv8ONNX.

### YOLOv8 ONNX 模型使用教程 #### 导入必要的库 为了加载并运行YOLOv8的ONNX模型，首先需要导入一些基本的Python库以及安装必要环境。 ```bash pip install torch torchvision onnx onnxruntime opencv-python matplotlib numpy ``` 这些包提供了处理图像输入输出、执行推理所需的功能和支持[^3]。 #### 加载预训练模型 通过`ultralytics`库中的`YOLO`类来加载官方提供的预训练权重文件，并将其转换成ONNX格式。这一步骤通常只需要做一次，除非想要尝试不同的架构或自定义训练好的模型。 ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 或者其他版本如 yolov8s, yolov8m 等 model.export(format='onnx') ``` 上述代码会保存一个名为 `yolov8n.onnx` 的文件到当前工作目录下。 #### 准备测试图片 准备一张用于检测目标物体的照片作为输入数据。这里假设有一张叫做 `test.jpg` 的照片位于项目根目录中。 ```python import cv2 image_path = 'test.jpg' img = cv2.imread(image_path) resized_img = cv2.resize(img, (640, 640)) # 调整大小以匹配网络输入尺寸 input_data = resized_img.astype(np.float32)[np.newaxis, :, :, :] / 255. input_data = np.transpose(input_data, axes=[0, 3, 1, 2]) # HWC -> CHW ``` 这段脚本读取了一幅JPEG格式的彩色图象，并进行了适当调整以便于后续传递给神经网络进行预测操作。 #### 进行推理运算 现在有了经过前处理后的输入样本之后就可以调用ONNX Runtime来进行实际的目标检测任务了： ```python import onnxruntime as ort session = ort.InferenceSession('yolov8n.onnx', providers=['CPUExecutionProvider']) outputs = session.run(None, {'images': input_data})[0] print(outputs.shape) # 输出形状应类似于(batch_size, num_boxes, box_info)，其中box_info包含边界框坐标和其他信息 ``` 以上代码创建了一个新的InferenceSession实例指向之前导出的那个`.onnx`文件路径；接着传入已准备好形式的数据集完成一轮完整的推断过程，最后打印出来自最后一层节点的结果数组维度信息。 #### 解析结果 对于得到的结果矩阵来说，每一行代表一个可能存在的候选区域及其对应的类别概率分布情况。具体解析方法取决于所使用的特定实现方式和个人需求偏好，在此仅给出一种简单的可视化方案供参考： ```python import matplotlib.pyplot as plt def plot_bboxes(image, bboxes): fig, ax = plt.subplots(1) ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) for bbox in bboxes: x_min, y_min, x_max, y_max = map(int, bbox[:4]) rect = patches.Rectangle((x_min, y_min), x_max-x_min, y_max-y_min, linewidth=2, edgecolor='r', facecolor="none") label = f"{bbox[-1]}" ax.text(x_min, y_min - 10, s=label, color='white', verticalalignment='top', bbox={'color': 'red', 'pad': 0}) ax.add_patch(rect) plt.show() ``` 该函数接收原始图象与由上一阶段产生的矩形列表作为参数，绘制带有标签说明的对象包围盒覆盖在其上方显示出来。