教你如何用两行代码搞定YOLOv8各种模型推理

前言

大家好，YOLOv8 框架本身提供的API函数是可以两行代码实现 YOLOv8 模型推理，这次我把这段代码封装成了一个类，只有40行代码左右，可以同时支持YOLOv8对象检测、实例分割、姿态评估模型的GPU与CPU上推理演示。

程序实现

使用PyQT5开发一个简单的YOLOv8 框架本身提供的API函数演示交互界面，支持从界面上选择模型文件、测试图像或者视频文件，点击开始推理 按钮就可以运行了，整个程序的界面如下：

YOLOv8框架支持的函数推理会自动识别模型的类型是对象检测、实例分割、姿态评估中哪一种，有GPU支持的情况下，默认会使用GPU推理。

推理运行在一个单独的PyQT线程中，通过信号与槽机制实现推理结果返回与更新。实现的线程代码如下：

classInferenceThread(QtCore.QThread):
fire_stats_signal=QtCore.pyqtSignal(dict)

def__init__(self,settings):
super(InferenceThread,self).__init__()
self.settings=settings
self.detector=YOLOv8PtInference(settings)
self.input_image=settings.input_image

defrun(self):
ifself.detectorisNone:
return
ifself.input_image.endswith(".mp4"):
cap=cv.VideoCapture(self.input_image)
whileTrue:
ret,frame=cap.read()
ifretisTrue:
self.detector.infer_image(frame)
self.fire_stats_signal.emit({"result":frame})
else:
break
else:
frame=cv.imread(self.input_image)
self.detector.infer_image(frame)
self.fire_stats_signal.emit({"result":frame})
self.fire_stats_signal.emit({"done":"done"})
return

直接通过PT模型推理的好处有两点，一个是不需要写部署代码了，二是精度不会在模型转化中有细微损失了。特别适合Python开发者

对象检测 - 运行截图如下：

实例分割-运行截图如下：

姿态评估-运行截图如下：

审核编辑：刘清