【精度无损】使用YOLOv8 PT原始文件实现推理预测

系统化学习YOLOv8，玩转YOLOv8的分类、对象检测、实例分割、姿态评估、OBB检测、目标跟踪 六大模块，猛戳这里：
人工智能应用开发之YOLOv8全家桶合集课程

前言

今天有个人发我一个YOLOv8分类的ONNX格式文件，跟我说测试效果很拉跨，但是直接用PT文件，通过命令行效果还错，让他万分郁闷。其实Pytorch模型是支持直接使用原始的PT文件推理的，无论模型来自Torchvision还是YOLOv5或者YOLOv8。使用PT文件推理都非常简单。

PT文件YOLOv8 分类推理

支持Top1跟Top5结果返回，使用非常方便。代码简洁明了。演示代码如下：

model = YOLO("best.pt")
bgr = cv.imread("./test/ng/l28.png")
results = model(bgr)
cid = results[0].probs.top1
print("conf: ", results[0].probs.top5conf[cid])
reimg = results[0].plot()
frame = results[0].orig_img
cv.putText(bgr, labels[cid], (50, 50), cv.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 2)
cv.namedWindow("YOLOv8+Classification demo", cv.WINDOW_NORMAL)
cv.imshow("YOLOv8+Classification demo", bgr)
cv.waitKey(0)

输出结果

PT文件YOLOv8 检测推理

对象检测支持返回Boxes信息与检测结果跟原始图像信息，两行代码即可搞定推理。演示代码如下：

results = self.model(frame, conf=self.infer_settings.score_threshold)
reimg = results[0].plot()
frame = results[0].orig_img
boxes = results[0].boxes.data

if self.infer_settings.show_fps:
	end = time.time()
	inf_end = end - start
	fps = 1 / (inf_end+0.0001)
	fps_label = "FPS: %.2f" % fps
	cv.putText(reimg, fps_label, (20, 45), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

总结

使用pt文件推理的好处是零精度损失，跟模型的评估验证结果高度一致，模型精度没有导出损失，效果好，另外方便支持GPU或者CPU切换，是Python开发环境下的首选。

系统化学习YOLOv8，玩转YOLOv8的分类、对象检测、实例分割、姿态评估、OBB检测、目标跟踪 六大模块，猛戳这里：
人工智能应用开发之YOLOv8全家桶合集课程