### 加载多个YOLOv8模型并进行图片识别 为了实现同时加载多个YOLOv8训练好的模型并对同一张图片进行识别，可以采用多线程或多进程的方式处理不同模型的推理过程。下面展示一种通过`concurrent.futures`库来管理并发任务的方法。 #### 导入必要的库 ```python import concurrent.futures from ultralytics import YOLO # 假设这是用于加载YOLOv8模型的API接口 ``` #### 定义函数以单个模型执行预测 定义一个辅助函数接受模型路径作为参数，并返回该模型对该特定输入图像做出的预测结果。 ```python def predict_with_model(model_path, image_path): model = YOLO(model_path) results = model(image_path) detections = [] for r in results: boxes = r.boxes.cpu().numpy() for box in boxes: x1, y1, x2, y2 = map(int, box.xyxy[0]) conf = round(float(box.conf[0]), 2) cls = int(box.cls[0]) detection_info = { 'box': (x1, y1, x2-x1, y2-y1), 'confidence': conf, 'class_id': cls } detections.append(detection_info) return detections ``` 此部分代码展示了如何利用给定的模型路径创建YOLO对象[^3]，进而对指定的图片文件实施检测操作[^4]。 #### 使用线程池批量运行预测任务 构建一个列表存储所有待使用的模型路径以及目标图片位置，接着借助`ThreadPoolExecutor`提交各个预测作业至线程池内异步执行。 ```python model_paths = [ "path/to/model1.pt", "path/to/model2.pt" ] image_to_predict = "path/to/image.jpg" with concurrent.futures.ThreadPoolExecutor() as executor: future_predictions = {executor.submit(predict_with_model, mp, image_to_predict): mp for mp in model_paths} all_detections = {} for future in concurrent.futures.as_completed(future_predictions): model_name = future_predictions[future] try: predictions = future.result() all_detections[model_name] = predictions except Exception as exc: print('%r generated an exception: %s' % (model_name, exc)) ``` 上述代码片段说明了怎样一次性启动多个针对不同预训练权重集的任务，在每个子进程中独立完成各自的推断工作[^1]。 #### 结合来自各模型的结果 最后一步是对收集到的所有检测记录加以整理汇总，可能还需要解决重复标记的问题——当两个或更多模型都指出了几乎相同的物体区域时应采取适当措施予以合并或筛选最优解。 ```python for model, preds in all_detections.items(): print(f"Detections from {model}:") for pred in preds: print(pred) ``` 这段脚本实现了遍历由不同模型产生的全部发现项，并打印出来供进一步分析之用[^2]。