boxes = detections.xyxy conf = detections.confidence class_ids = detections.class_id results = [] if boxes.shape[0] > 0: for label, score, box in zip(class_ids, conf, boxes): xtl = int(box[0]) ytl = int(box[1]) xbr = int(box[2]) ybr = int(box[3]) results.append({ "confidence": str(score), "label": labels.get(label, "unknown"), "points": [xtl, ytl, xbr, ybr], "type": "rectangle",})在 from_yolov8 方法中，使用 yolov8_results 的 boxes 属性获取边界框的坐标、置信度和类别ID，并将其转换为 NumPy 数组。然后，通过调用 extract_yolov8_masks 函数获取多边形区域的掩码。最后，将这些数据作为参数传递给 cls （即当前类）的构造函数，创建并返回一个新的 Detections 对象。 xyxy=yolov8_results.boxes.xyxy.cpu().numpy(), confidence=yolov8_results.boxes.conf.cpu().numpy(), class_id=yolov8_results.boxes.cls.cpu().numpy().astype(int), mask=extract_yolov8_masks(yolov8_results),

根据您提供的代码，以下是修改后的代码：

boxes = detections.xyxy
conf = detections.confidence
class_ids = detections.class_id

results = []

if boxes.shape[0] > 0:
    for label, score, box in zip(class_ids, conf, boxes):
        xtl = int(box[0])
        ytl = int(box[1])
        xbr = int(box[2])
        ybr = int(box[3])

        results.append({
            "confidence": str(score),
            "label": labels.get(label, "unknown"),
            "points": [xtl, ytl, xbr, ybr],
            "type": "rectangle",
        })

在这个修改后的代码中，我们假设 `boxes`、`conf` 和 `class_ids` 是已经定义或赋值的变量。我们使用 `zip` 函数将它们逐个配对，并在循环中处理每个配对。

对于每个配对，我们从边界框中获取左上角和右下角的坐标，并将它们转换为整数。然后，我们将置信度、标签、坐标和类型信息添加到 `results` 列表中。

请确保根据您的实际情况修改代码，并根据需要调整变量名和逻辑。