yolov8使用pt推理图片

使用 YOLOv8 .pt 文件进行图像推理
为了使用YOLOv8的.pt文件执行图像推理，可以采用Python脚本配合PyTorch库来完成这一过程。下面提供了一个具体的实例说明如何加载模型并应用到图片上。
准备工作
确保安装了必要的依赖项，包括但不限于torch, torchvision以及opencv-python等工具包。可以通过pip命令轻松获取这些软件包：
pip install torch torchvision opencv-python
登录后复制
加载预训练模型
对于YOLOv8而言，官方提供了多种不同规模大小的预训练权重文件供下载使用。这里假设已经获得了名为yolov8n.pt的基础版本目标检测模型。接下来展示怎样读取这个.pth格式保存下来的网络结构及其参数值。
import torch
from pathlib import Path

model_path = 'path/to/yolov8n.pt' # 替换成实际路径
device = "cuda" if torch.cuda.is_available() else "cpu"
model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path, force_reload=True).to(device)
登录后复制
这段代码片段会自动从GitHub仓库中克隆对应的repo，并利用内置函数加载自定义模型。注意这里的'yolov5'是因为当前hub接口暂时还未更新至最新的YoloV8标签[^1]。
执行预测操作
一旦成功导入了所需的深度学习框架之后，就可以着手准备输入数据——即待识别的目标图像。通常情况下，这一步骤涉及到了解码成numpy数组形式再转换为tensor张量的过程。不过借助OpenCV的帮助，可以直接简化为如下几行简洁明了的指令：
import cv2

img_file = 'example.jpg'
image = cv2.imread(img_file)

results = model(image) # 进行情推断
print(results.pandas().xyxy[0]) # 输出结果框坐标和其他信息
登录后复制
上述方法能够快速简便地得到每一张照片里所含物体的位置矩形区域连同类别名称在内的全部详情记录。最后打印出来的表格包含了诸如xmin,ymin,xmax,ymax,score,class,label等多个字段的信息，方便后续进一步分析处理。