YOLO实战：model.predict返回结果Results的10个关键属性解析（附代码示例）

YOLO实战：model.predict返回结果Results的10个关键属性解析（附代码示例）

当你第一次调用model.predict()并看到返回的Results对象时，可能会被其中复杂的属性结构所困惑。这篇文章将带你深入理解这个核心对象的每个组成部分，并通过实际代码演示如何提取和利用这些数据。

1. Results对象基础解析

Results对象是YOLO模型预测结果的容器，它包含了从原始图像到检测框的所有信息。我们先从一个简单的预测示例开始：

from ultralytics import YOLO # 加载预训练模型 model = YOLO('yolov8n.pt') # 使用nano版本 results = model.predict('bus.jpg') # 预测单张图片

这里需要注意，results实际上是一个列表，即使你只预测了一张图片。这是因为YOLO的设计支持批量预测，当处理多张图片时，列表中的每个元素对应一张图片的预测结果。

提示：访问单张图片的结果时，记得使用results[0]，而不是直接使用results

2. 核心属性详解

2.1 检测框信息：boxes属性

boxes是Results对象中最重要的属性之一，包含了所有检测到的边界框信息：

boxes = results[0].boxes print(boxes.xyxy) # 边界框坐标[x1,y1,x2,y2]格式 print(boxes.conf) # 每个框的置信度 print(boxes.cls) # 每个框的类别ID

boxes对象提供了多种坐标表示方式，适用于不同场景：

2.2 类别映射：names属性

names是一个字典，将类别ID映射到可读的类别名称：

for box in results[0].boxes: class_id = int(box.cls) class_name = results[0].names[class_id] print(f"检测到 {class_name}，置信度 {box.conf:.2f}")

2.3 原始图像信息

Results对象保留了原始图像的相关信息，方便后续处理：

orig_img = results[0].orig_img # 原始图像数组 orig_shape = results[0].orig_shape # 原始高宽(H,W) path = results[0].path # 图像路径

这些属性在需要将检测结果可视化或保存时特别有用。

3. 高级属性应用

3.1 关键点检测：keypoints

对于支持姿态估计的YOLO模型，keypoints属性包含了检测到的人体关键点：

if hasattr(results[0], 'keypoints'): keypoints = results[0].keypoints.xy # 关键点坐标 print(f"检测到 {len(keypoints)} 个人的关键点")

3.2 实例分割：masks

当使用分割模型时，masks属性提供了每个检测对象的掩码：

if hasattr(results[0], 'masks'): masks = results[0].masks print(f"检测到 {masks.shape[0]} 个分割掩码")

3.3 性能分析：speed属性

speed属性记录了预测过程中各阶段耗时（毫秒）：

speed = results[0].speed print(f""" 预处理: {speed['preprocess']}ms 推理: {speed['inference']}ms 后处理: {speed['postprocess']}ms 总耗时: {sum(speed.values())}ms """)

4. 实战应用技巧

4.1 结果可视化

利用Results对象内置的方法可以快速可视化结果：

# 显示带标注的图像 results[0].show() # 保存可视化结果 results[0].save(filename='result.jpg')

4.2 结果过滤

基于置信度过滤低质量检测结果：

import torch conf_threshold = 0.5 boxes = results[0].boxes high_conf_boxes = boxes[boxes.conf > conf_threshold] print(f"过滤后保留 {len(high_conf_boxes)} 个高置信度检测")

4.3 结果转换为常用格式

将检测结果转换为Pandas DataFrame方便分析：

import pandas as pd def results_to_df(results): boxes = results[0].boxes data = { 'x1': boxes.xyxy[:, 0].tolist(), 'y1': boxes.xyxy[:, 1].tolist(), 'x2': boxes.xyxy[:, 2].tolist(), 'y2': boxes.xyxy[:, 3].tolist(), 'confidence': boxes.conf.tolist(), 'class': [results[0].names[int(c)] for c in boxes.cls] } return pd.DataFrame(data) df = results_to_df(results) print(df.head())

4.4 多模型结果比较

比较不同YOLO版本在同一图像上的表现：

models = { 'nano': YOLO('yolov8n.pt'), 'small': YOLO('yolov8s.pt'), 'medium': YOLO('yolov8m.pt') } comparison = {} for name, model in models.items(): results = model.predict('bus.jpg') boxes = results[0].boxes comparison[name] = { 'detections': len(boxes), 'avg_conf': torch.mean(boxes.conf).item() } print(pd.DataFrame(comparison).T)

在实际项目中，我发现boxes属性的多种坐标表示方式可以大大简化不同任务间的数据转换。特别是xywhn归一化坐标，在需要将检测结果作为另一个模型的输入时特别有用。