### PyCharm 中使用 YOLOv8 进行预测的代码示例 以下是基于 `predict.py` 的代码结构，在 PyCharm 中运行 YOLOv8 模型进行预测的一个完整示例： ```python import torch from models.yolov8 import YOLOv8 from PIL import Image from torchvision.transforms import ToTensor from utils.datasets import preprocess_image def predict(image_path, model_weights='weights/best.pt', config_file='configs/yolov8.yaml'): """ 使用 YOLOv8 模型进行预测。 参数: image_path (str): 输入图像路径。 model_weights (str): 模型权重文件路径。 config_file (str): 配置文件路径。 返回: results (list): 图像中的检测结果列表。 """ # 加载配置文件 with open(config_file, 'r') as file: config = yaml.safe_load(file) # 初始化模型并加载权重 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = YOLOv8(config['model']).to(device) model.load_state_dict(torch.load(model_weights, map_location=device)) model.eval() # 加载并预处理输入图像 image = Image.open(image_path).convert("RGB") input_tensor = preprocess_image(image) # 自定义函数，返回张量形式的数据 input_tensor = input_tensor.unsqueeze(0).to(device) # 模型推理 with torch.no_grad(): outputs = model(input_tensor) # 后处理：解析输出为可读的结果 predictions = post_process(outputs) # 假设存在一个后处理函数 return predictions if __name__ == "__main__": test_image_path = "test_images/example.jpg" result = predict(test_image_path) print(result) ``` #### 关键点解释 - **模型初始化**: 使用 `YOLOv8` 类实例化模型，并通过 `.load_state_dict()` 方法加载训练好的权重[^1]。 - **设备选择**: 判断是否有可用 GPU (`torch.cuda.is_available`) 并设置计算设备。如果没有 GPU，则默认使用 CPU[^2]。 - **图像预处理**: 调用自定义函数 `preprocess_image` 对输入图像进行标准化和缩放操作。 - **推理过程**: 将输入张量传递给模型完成前向传播，并获取输出结果。 - **后处理**: 解析网络输出以获得最终的目标框、类别标签及其置信度分数[^3]。 ### 注意事项 为了确保此脚本能够正常工作，请确认以下条件已满足： 1. 已正确安装依赖库（如 PyTorch 和 OpenCV），推荐使用 Conda 创建虚拟环境管理包版本； 2. 数据集目录结构需与项目保持一致，特别是权重文件的位置； 3. 如果是在 Windows 上部署，注意路径分隔符可能需要调整为双反斜杠 `\` 或者统一采用正斜杠 `/` 表示相对路径。