### 如何设计一个可以通过命令行运行的Python程序使用YOLO模型 为了创建一个可以从命令行运行的 Python 程序，可以利用 `argparse` 库解析命令行参数，并结合 YOLO 模型的功能完成目标检测任务。以下是具体的设计方法： #### 1. 导入必要的库 首先导入所需的库，包括用于加载 YOLO 模型的 Ultralytics 和处理命令行参数的 `argparse`。 ```python import argparse from ultralytics import YOLO ``` #### 2. 定义命令行参数 通过 `argparse.ArgumentParser()` 创建解析器对象，并定义需要传递给脚本的参数。这些参数可能包括模型路径、输入图片路径以及是否保存结果等选项。 ```python def parse_args(): parser = argparse.ArgumentParser(description="Run object detection using YOLO.") parser.add_argument("--model", type=str, default="yolov8n.pt", help="Path to the YOLO model file") parser.add_argument("--image", type=str, required=True, help="Path to input image file") parser.add_argument("--output", type=str, default=None, help="Path to save output annotated image (optional)") parser.add_argument("--json", action='store_true', help="Save validation results as JSON") args = parser.parse_args() return args ``` 此部分允许用户自定义模型权重文件的位置、待检测的目标图像位置以及其他可选配置项[^1]。 #### 3. 加载模型与执行推理 基于传入的参数加载预训练好的 YOLO 模型实例化对象，并调用其 `.predict()` 方法对指定图片实施预测操作。 ```python args = parse_args() # Load a pretrained YOLO model model = YOLO(args.model) # Perform inference on an image results = model.predict(source=args.image) ``` 这里展示了如何依据命令行提供的信息动态调整所使用的特定版本或定制化的 YOLO 架构[^2]。 #### 4. 处理并展示结果 对于得到的结果列表中的每一个条目提取感兴趣的数据字段比如类别名称及其对应的置信度得分还有包围盒坐标等等；最后如果设置了存储标记则进一步把带有标注后的可视化效果图存盘或者导出成其他结构化格式如JSON文档形式。 ```python for r in results: boxes = r.boxes.cpu().numpy() # Get box predictions for i, box in enumerate(boxes.xyxy): cls_name = model.names[int(box.cls)] conf = round(float(box.conf), 2) print(f"Detected {cls_name} with confidence {conf}: Bounding Box Coordinates ({box.xyxy})") if args.json: metrics = model.val(save_json=True) if args.output is not None: result_image = results[0].plot() result_image.save(args.output) ``` 上述代码片段实现了打印检测到的对象标签和边界框坐标功能的同时还支持将验证指标序列化为标准兼容性强易于后续分析解读的形式[^3]。 完整的脚本应该像这样组合起来形成最终版： ```python #!/usr/bin/env python3 """ A command-line tool that uses YOLO models for performing object detections. """ import argparse from ultralytics import YOLO def main(): def parse_args(): ... args = parse_args() # Initialize and load the YOLO model ... # Run prediction over provided images/videos etc., process outputs accordingly ... if __name__ == "__main__": main() ``` 确保赋予该脚本适当的权限以便能够直接由 shell 提交执行请求。