YOLOv8 fiftyone

### 使用YOLOv8与FiftyOne进行计算机视觉项目

为了将YOLOv8模型集成到FiftyOne工作流中，可以遵循以下方法来加载、训练以及评估模型。此过程涉及安装必要的库并准备数据集。

#### 安装依赖项
首先确保环境中已安装`ultralytics`和`fiftyone`包：

pip install fiftyone ultralytics

#### 加载预训练的YOLOv8模型
利用Ultralytics官方API可以直接获取预训练版本的YOLOv8模型实例[^4]:

from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # Load pretrained model

#### 准备数据集并与FiftyOne连接
创建一个新的FiftyOne Dataset对象并将图像文件导入其中。这一步骤对于后续的数据可视化非常重要:

import fiftyone as fo
import fiftyone.zoo as foz

dataset = foz.load_zoo_dataset(
    "coco-2017",
    split="validation",
    max_samples=50,
    shuffle=True,
)

session = fo.launch_app(dataset)

上述代码片段会自动下载COCO验证集中随机选取的50张图片作为样本，并启动 FiftyOne 应用程序以便于查看这些数据[^2]。

#### 执行推理操作
一旦完成了前期准备工作，则可以通过调用 `predict()` 方法来进行预测任务。这里需要注意的是，在实际应用过程中可能还需要调整输入尺寸等参数以适应特定需求:

results = []

for sample in dataset:
    predictions = model(sample.filepath)[0].cpu().numpy()
    
    detections = []
    for pred in predictions.boxes.data.tolist():
        x_min, y_min, x_max, y_max, conf, cls = pred
        
        detection = fo.Detection(
            label=model.names[int(cls)],
            bounding_box=[x_min, y_min, x_max-x_min, y_max-y_min],
            confidence=float(conf),
        )
        
        detections.append(detection)
        
    results.append(fo.Sample(filepath=sample.filepath,detections=detections))

# Save the inference results back into the original samples.
dataset.save_results(results)

这段脚本遍历整个数据集中的每一个样本，针对每一张图片执行目标检测，并保存识别出来的边界框位置及其对应的类别标签至新的字段内[^1]。