YOLOv8（2）模型预测

文章目录

• 用.py文件运行yolo模型
• 设置默认终端
• 启动虚拟环境
• 在.py文件中输入测试代码
• 启动测试代码的指令
• 得到测试结果
• 测试代码二
• 保存检测结果
• 模型预测部分常见参数及使用方法介绍
• [安装 jupyterlab](#安装 jupyterlab)
• [jupyterlab 使用](#jupyterlab 使用)

用.py文件运行yolo模型

内容对应关系：

两种方式实现的是同一目标（对bus.jpg进行目标检测），参数一一对应：

命令行方式：通过yolo命令直接调用，参数包括task=detect（任务：目标检测）、mode=predict（模式：预测）、model（模型文件）、source（输入图片路径）。

Python API 方式：通过导入ultralytics库的YOLO类，加载模型后调用预测方法，参数与命令行保持一致。

设置默认终端

1. 注意到如果不进行默认终端设置，默认使用的终端为powershell，但不能直接运行，

conda activate yolov8

这是因为：

一、PowerShell 和 CMD 的核心区别

CMD 是基于 DOS 的传统命令行工具，功能基础，主要支持批处理脚本，管道仅传递文本，无执行策略限制。PowerShell 是现代自动化环境，基于.NET，支持 cmdlet 和面向对象编程，管道传递数据对象，自带脚本执行策略（默认禁止运行脚本），且兼容多数 CMD 命令。

二、PowerShell 无法直接执行 conda activate yolov8 的原因

默认执行策略限制，PowerShell 默认禁止运行任何脚本，Conda 激活脚本会被拦截；

Conda 的activate是专为 CMD 设计的批处理脚本，PowerShell 对其环境变量传递支持不足；

未通过conda init powershell初始化，PowerShell 缺少 Conda 环境的适配配置。

故需要切换默认终端：

如下图，选择cmd即可

之后再次新建终端，新建的终端即为cmd终端

启动虚拟环境

cmd终端中执行：

conda activate yolov8 （yolov8 替换为你创建的虚拟环境的名称，我的环境名称为yolov8_new
,故我需要输入的指令为：
conda activate yolov8_new ）

在.py文件中输入测试代码

from ultralytics import YOLO

yolo = YOLO("./yolov8n.pt", task="detect")

result = yolo(source="./ultralytics/assets/bus.jpg")

启动测试代码的指令

激活yolov8_new环境后，直接用环境内的python命令运行脚本（无需指定系统 Python 路径）：

cmd

(yolov8_new) E:\biyesheji\ultralytics-main>python e:/biyesheji/ultralytics-main/my_test.py

python e:/biyesheji/ultralytics-main/my_test.py

得到测试结果

1. 检测任务核心信息

   处理对象：路径为E:\biyesheji\ultralytics-main\ultralytics\assets\bus.jpg的图片，尺寸为 640×480；

   检测结果：识别出 4 个行人（persons）、1 辆公交车（bus）、1 个停车标志（stop sign）；

   单图检测耗时：76.9ms。

2. 性能耗时分解

   检测流程的各阶段耗时（反映模型运行效率）：

   预处理（preprocess）：8.3ms（负责图片缩放、格式转换等准备工作）；

   推理（inference）：76.9ms（模型对图片的核心计算过程）；

   后处理（postprocess）：24.1ms（负责合并重叠检测框、格式化结果等）；

   模型输入形状：(1, 3, 640, 480)（对应 1 张图片、3 通道（RGB）、宽高 640×480）。

测试代码二

from ultralytics import YOLO

yolo = YOLO("./yolov8n.pt", task="detect")

# 检测测测试照片
# pip install mssresult = yolo(source="./ultralytics/assets/bus.jpg")

# screen参数代表检测当前屏幕
result = yolo(source="screnn")

需先安装依赖

pip install mss -i https://pypi.org/simple/

启动程序指令

python e:/biyesheji/ultralytics-main/my_test.py
# python 后面跟的文件地址就是程序代码所在的地址

运行结果：

保存检测结果

代码

from ultralytics import YOLO

yolo = YOLO("./yolov8n.pt", task="detect")

# 检测测测试照片
# result = yolo(source="./ultralytics/assets/bus.jpg")

# screen参数代表检测当前屏幕
#result = yolo(source="screen")

# 检测并保存照片
result = yolo(source="./ultralytics/assets/bus.jpg", save = True) 

执行指令

python e:/biyesheji/ultralytics-main/my_test.py

运行结果

根据提示查看保存的结果

模型预测部分常见参数及使用方法介绍

1. source
   含义：预测的输入源（虽列在 "可选参数" 中，但实际预测需必选），支持图片路径、视频路径、文件夹路径、摄像头（如source=0）、屏幕（source="screen"）等。
   调整 & 用法：
   命令行：yolo predict source="bus.jpg"
   Python API：model.predict(source="bus.jpg")
2. show
   含义：是否弹出窗口可视化预测结果，默认False（不显示）。
   调整 & 用法：
   场景：需要实时查看检测 / 分割效果时开启。
   命令行：yolo predict source="bus.jpg" show=True
   Python API：model.predict(source="bus.jpg", show=True)
3. save_txt
   含义：是否将预测结果保存为.txt标签文件，默认False；保存的文件包含目标的类别 ID、归一化坐标等信息。
   调整 & 用法：
   场景：需要后续用标签文件做二次处理（如统计目标数量）时开启。
   命令行：yolo predict source="bus.jpg" save_txt=True
   Python API：model.predict(source="bus.jpg", save_txt=True)
4. save_conf
   含义：保存结果（如save_txt=True时）是否包含置信度分数，默认False。
   调整 & 用法：
   场景：需要在标签文件中记录目标的置信度时开启。
   命令行：yolo predict source="bus.jpg" save_txt=True save_conf=True
   Python API：model.predict(source="bus.jpg", save_txt=True, save_conf=True)
5. save_crop
   含义：是否保存裁剪后的目标区域图片，默认False；开启后会生成单独的目标截图（如检测到的 "bus" 会被单独裁剪保存）。
   调整 & 用法：
   场景：需要提取检测到的目标时开启。
   命令行：yolo predict source="bus.jpg" save_crop=True
   Python API：model.predict(source="bus.jpg", save_crop=True)
6. hide_labels
   含义：是否隐藏检测框上的类别标签，默认False（显示标签）。
   调整 & 用法：
   场景：仅需要检测框、不需要类别名称时开启。
   命令行：yolo predict source="bus.jpg" hide_labels=True
   Python API：model.predict(source="bus.jpg", hide_labels=True)
7. hide_conf
   含义：是否隐藏检测框上的置信度分数，默认False（显示分数）。
   调整 & 用法：
   场景：仅需要检测框 / 类别、不需要置信度时开启。
   命令行：yolo predict source="bus.jpg" hide_conf=True
   Python API：model.predict(source="bus.jpg", hide_conf=True)
8. vid_stride
   含义：视频预测的帧率步长，默认1（处理每 1 帧）；如设为2，则每隔 1 帧处理 1 帧。
   调整 & 用法：
   场景：视频处理速度慢时，增大该值（如vid_stride=2）可减少处理帧数、提升速度（但会降低结果连续性）。
   命令行：yolo predict source="video.mp4" vid_stride=2
   Python API：model.predict(source="video.mp4", vid_stride=2)
9. line_thickness
   含义：检测框的线条粗细（单位：像素），默认3。
   调整 & 用法：
   场景：图片分辨率高时，可调大（如line_thickness=5）让检测框更清晰；分辨率低时调小避免遮挡目标。
   命令行：yolo predict source="bus.jpg" line_thickness=5
   Python API：model.predict(source="bus.jpg", line_thickness=5)
10. visualize
    含义：是否可视化模型的中间层特征图，默认False。
    调整 & 用法：
    场景：模型调试（如分析特征提取效果）时开启。
    命令行：yolo predict source="bus.jpg" visualize=True
    Python API：model.predict(source="bus.jpg", visualize=True)
11. augment
    含义：是否对输入源做数据增强（如翻转、缩放），默认False。
    调整 & 用法：
    场景：需要提升预测的鲁棒性（如应对不同角度的目标）时开启，但会增加预测耗时。
    命令行：yolo predict source="bus.jpg" augment=True
    Python API：model.predict(source="bus.jpg", augment=True)
12. agnostic_nms
    含义：是否使用 "类别无关的 NMS（非极大值抑制）"，默认False；开启后，不同类别之间的重叠检测框也会被抑制。
    调整 & 用法：
    场景：多类别目标严重重叠时，可减少冗余框（但可能误删不同类的合理框）。
    命令行：yolo predict source="bus.jpg" agnostic_nms=True
    Python API：model.predict(source="bus.jpg", agnostic_nms=True)
13. classes
    含义：按类别过滤预测结果，仅保留指定类别的目标；如classes=0（仅保留 "person" 类）、classes=[0,2]（保留 "person" 和 "car" 类）。
    调整 & 用法：
    场景：仅关注特定类别的目标时使用（类别 ID 对应 COCO 数据集的类别，或自定义数据集的类别）。
    命令行：yolo predict source="bus.jpg" classes=5（仅检测 "bus" 类，COCO 中 5 对应 bus）
    Python API：model.predict(source="bus.jpg", classes=[5])
14. retina_masks
    含义：是否使用高分辨率的分割掩码，默认False；仅在分割模型（如 yolov8n-seg.pt） 中生效。
    调整 & 用法：
    场景：需要更精细的分割区域时开启，但会增加内存占用。
    命令行：yolo segment predict source="bus.jpg" retina_masks=True
    Python API：model.predict(source="bus.jpg", retina_masks=True)（需加载分割模型）
15. boxes
    含义：在分割预测中是否显示检测框，默认True；仅在分割模型中生效。
    调整 & 用法：
    场景：仅需要分割掩码、不需要检测框时设为False。
    命令行：yolo segment predict source="bus.jpg" boxes=False
    Python API：model.predict(source="bus.jpg", boxes=False)（需加载分割模型）

在官网中可以查到其他的选项的参数详细说明

安装 jupyterlab

确保你在所用的虚拟环境中执行以下指令！！！！

#  用官方源安装 JupyterLab
pip install jupyterlab -i https://pypi.org/simple/
# 国内靠谱镜像（如清华源）
pip install jupyterlab -i https://pypi.tuna.tsinghua.edu.cn/simple/

JupyterLab 是 Jupyter 项目推出的下一代交互式开发环境（IDE），是经典 Jupyter Notebook 的升级版，核心用于数据科学、机器学习、代码调试与文档编写，以下是核心说明：

一、核心定位
JupyterLab 以 "交互式计算" 为核心，整合了代码编辑、文本编写、数据可视化、终端操作等能力，支持 Python、R、Julia 等数十种编程语言（核心适配 Python），是数据科学、机器学习（如 YOLOv8 开发）场景下的主流工具。

核心 ： 变为交互式的编程

二、核心优势（对比传统 Notebook / 其他 IDE）

一站式开发：

同界面可打开代码文件（.py）、Jupyter 笔记本（.ipynb）、Markdown 文档、终端、图片 / 表格等，无需切换软件；

支持多窗口拆分、拖拽布局，适配复杂的代码 + 文档 + 数据联动场景（比如一边写 YOLOv8 代码，一边看检测结果可视化，一边记实验笔记）。

完全兼容 Jupyter Notebook：可直接打开、编辑、运行传统 .ipynb 笔记本文件，保留 "代码块逐行运行""实时输出结果" 的核心特性，同时新增更多便捷功能（如代码补全、语法高亮、一键格式化）。

轻量化 + 灵活：

基于浏览器运行（无需安装厚重客户端），启动后本地访问 localhost:8888 即可使用；

支持扩展插件（如代码折叠、主题美化、版本控制），可按需定制功能。

交互性极强：代码块运行结果（如 YOLOv8 的检测结果、数据图表、打印日志）实时显示在代码下方，支持增量调试（改一行运行一行），适合算法迭代、参数调优。

三、与你的场景（YOLOv8 开发）的适配性

可在 JupyterLab 中编写 / 运行 YOLOv8 代码，逐块调试（比如先加载模型、再测试单张图片预测、最后调整参数），实时查看检测结果可视化；

可整合 Markdown 笔记，记录实验参数、结果分析（比如 "conf=0.3 时检测准确率 XX%"），形成可复现的实验文档；

内置终端可直接执行 Conda 命令（如激活环境、安装依赖）、YOLOv8 命令行指令，无需切换系统终端。

四、核心使用流程（极简版）

安装后执行 jupyter lab 启动，自动打开浏览器界面；

新建 "Python 笔记本（.ipynb）" 或直接打开 .py 文件；

编写代码块（如 YOLOv8 预测代码），按 Shift+Enter 运行，实时查看结果；

可保存文件、导出为 PDF/HTML（便于分享实验结果）。

jupyterlab 使用

1. 创建一个.ipynd文件
   

2. 点击选择内核，然后选择需要使用的虚拟环境。

3 输入测试代码并运行

4 点击 ：

5 在弹出的输入框中输入 result ，并运行

6 再次添加代码并运行（格式化）

import matplotlib.pyplot as plt

# 这是 Jupyter Notebook 的 "魔法命令"，作用是让matplotlib绘制的图像直接嵌入到 Notebook 单元格中（而非弹出独立窗口），适配交互式开发场景。

%matplotlib inline
# [...,::-1]：将 BGR 格式转换为 RGB 格式 ------matplotlib的imshow默认要求 RGB 格式，若不转换会出现颜色异常（如蓝色变红色）

plt.imshow(result[0].plot()[...,::-1])

result[0].boxes 

7. 输出结果转为numpy的示范

8 注意事项

第一点：为啥必须加%matplotlib inline？

你在 Jupyter 里想看到 YOLO 的检测结果图（比如带框的图片），必须先写%matplotlib inline这行。因为 YOLO 自己把 "画图的显示方式" 设成了 "只在后台偷偷画、不往页面上显示" 的模式；加了这行代码，才能让画好的检测图直接显示在 Jupyter 页面里 ------ 不然你跑了代码，也看不到结果图。

第二点：为啥要重新加载模型？

比如你第一次用模型预测时，把 "置信度阈值" 设成了 0.5；后来想改成 0.3，直接改参数再跑预测是没用的。因为模型加载一次后，会 "记住" 第一次的参数；必须重新写 "加载模型" 的代码（比如重新写model = YOLO('yolov8n.pt')），新参数才会生效 ------ 不然改了参数也是白改，模型还按老参数跑。

9 补充：

一、 YOLOv8 结果的result.boxes对象

在 YOLOv8 预测返回的Results对象中，result.boxes存储的是当前图片所有检测目标的核心检测框信息，是多个Box对象的集合，包含的关键数据：

坐标信息：支持多种格式（如xyxy（像素级左上角 + 右下角坐标）、xywh（像素级中心坐标 + 宽高）、xyxyn（归一化坐标）等）；

置信度（conf）：检测框对应目标的置信度（0-1 的数值，代表模型对该目标的判断确信程度）；

类别 ID（cls）：检测目标对应的类别索引（如 COCO 数据集里 0 对应 "person"、5 对应 "bus"）；

附加信息：若开启目标跟踪，还会包含track_id（跟踪 ID，用于关联不同帧的同一目标）。

二、保存到文件的 "boxes 文件"（如 labels 目录下的 txt）

当设置save_txt=True时，YOLOv8 会生成以.txt为后缀的 "boxes 文件"（存于runs/detect/predict/labels目录），每行对应一个检测框，内容格式为（基于归一化坐标）：

<类别ID> <x_center> <y_center> <width> <height> [置信度]

类别 ID：目标对应的类别索引；

x_center/y_center/width/height：检测框的中心坐标、宽、高（均为相对于图片宽高的归一化值，范围 0-1，适配不同尺寸图片）；

置信度：仅开启save_conf=True时包含，代表该检测框的置信度。