yolov8 输出数据解释

1. 导入库
   python
   Copy Code
   from ultralytics import YOLO
   从ultralytics库中导入YOLO类，用于加载和使用YOLO模型。
2. 加载模型
   python
   Copy Code

model = YOLO(“yolo11n.pt”) # 加载官方预训练模型

model = YOLO(“./best.pt”) # 加载自定义训练模型
创建YOLO模型实例，可以选择：
‌官方模型‌（如yolo11n.pt）：预训练好的通用目标检测模型。
‌自定义模型‌（如best.pt）：用户在自己的数据集上训练得到的模型。
3. 对图像进行预测
python
Copy Code
results = model(“./20250425_4_H71079_front.png”)
对指定路径的图像（./20250425_4_H70479_front.png）进行推理，返回检测结果列表results。
每个result对应一个图像的检测结果（即使输入单张图像，结果仍以列表形式返回）。
4. 处理检测结果
python
Copy Code
for result in results:
# 边界框坐标格式
xywh = result.boxes.xywh # 中心坐标 + 宽高 (绝对像素值)
xywhn = result.boxes.xywhn # 归一化的中心坐标 + 宽高 (值范围0-1)
xyxy = result.boxes.xyxy # 左上角 + 右下角坐标 (绝对像素值)
xyxyn = result.boxes.xyxyn # 归一化的左上角 + 右下角坐标

# 类别名称
names = [result.names[cls.item()] for cls in result.boxes.cls.int()]# 置信度
confs = result.boxes.conf    # 每个检测框的置信度（0-1）# 可视化结果
result.show()  # 弹窗显示带检测框的图像

关键属性解释：
‌xywh‌：边界框中心点坐标 (x_center, y_center) 和宽高 (width, height)，单位为像素。
‌xywhn‌：归一化的 xywh，相对于图像尺寸的比例值（如宽高为640x640时，中心点(320,320)对应归一化值(0.5,0.5)）。
‌xyxy‌：边界框左上角 (x_min, y_min) 和右下角 (x_max, y_max) 的绝对坐标。
‌xyxyn‌：归一化的 xyxy。
‌names‌：通过类别索引获取类别名称（如cls=0可能对应"person"）。
‌confs‌：检测框的置信度，表示模型对检测结果的信心（值越高，误检概率越低）。
5. 可视化结果
python
Copy Code
result.show()
调用show()方法会通过OpenCV弹窗显示带有检测框、类别标签和置信度的图像。
需要确保运行环境支持图形界面（无GUI环境可能报错）。