前言

大家好，YOLOv8 框架本身提供的API函數是可以兩行代碼實現 YOLOv8 模型推理，這次我把這段代碼封裝成了一個類，只有40行代碼左右，可以同時支持YOLOv8對象檢測、實例分割、姿態評估模型的GPU與CPU上推理演示。

程序實現

使用PyQT5開發一個簡單的YOLOv8 框架本身提供的API函數演示交互界面，支持從界面上選擇模型文件、測試圖像或者視頻文件，點擊開始推理 按鈕就可以運行了，整個程序的界面如下：

YOLOv8框架支持的函數推理會自動識別模型的類型是對象檢測、實例分割、姿態評估中哪一種，有GPU支持的情況下，默認會使用GPU推理。

推理運行在一個單獨的PyQT線程中，通過信號與槽機制實現推理結果返回與更新。實現的線程代碼如下：

classInferenceThread(QtCore.QThread):
fire_stats_signal=QtCore.pyqtSignal(dict)

def__init__(self,settings):
super(InferenceThread,self).__init__()
self.settings=settings
self.detector=YOLOv8PtInference(settings)
self.input_image=settings.input_image

defrun(self):
ifself.detectorisNone:
return
ifself.input_image.endswith(".mp4"):
cap=cv.VideoCapture(self.input_image)
whileTrue:
ret,frame=cap.read()
ifretisTrue:
self.detector.infer_image(frame)
self.fire_stats_signal.emit({"result":frame})
else:
break
else:
frame=cv.imread(self.input_image)
self.detector.infer_image(frame)
self.fire_stats_signal.emit({"result":frame})
self.fire_stats_signal.emit({"done":"done"})
return

實例分割-運行截圖如下：

姿態評估-運行截圖如下：

審核編輯：劉清