1.执行代码

results=model.predict('YOLO/ultralytics/assets/zidane.jpg')
print(results)

结果如下：

 

可以看出结果是一个数组形式，数组里每个元素都是Ultralytics的Results对象

1）为什么结果是数组，而不是单个对象？

因为有时候要预测的不是单张图片，而是一个批量，此时就有很多张图片，也就有很多个Results对象

2）Results对象里边有什么？

①boxes对象：存有每个预测框的信息（下边细讲）

②keypoints：关键点对象，包含每个对象的检测关键点（关键点估计那里会用上，这里没涉及）

③masks：包含检测掩码的掩码对象（就是目标检测的进一步好像，之前是用框来判定对象，现在是用掩码，这里没涉及）

④names：每类的名称与对应的索引index

⑤obb：包含定向包围盒的 OBB 对象（不是很了解，这里没涉及）

⑥orig_img：原始输入图像的array数组

⑦orig_shape：原始输入图像的高宽

⑧path：原始图像的路径

⑨probs：如果是分类任务，就会有每类的概率

⑩save_dir：预测结果保存的路径

⑪speed：预处理（进行缩放裁剪归一化等）、推理、后处理（置信度阈值过滤、非极大值抑制等）所花时间

2.查看boxes对象，执行如下代码

print(results[0].boxes)

结果如下：

此时的boxes对象是包含了所有框的

①cls：有三个值[0.,0.,27.] ，对应的就是第1、2、3个框圈中的物体类别

②conf：存了所有框圈中物体的置信度

③data：是一个数组，每个数组的内容是[x_center, y_center, width, height,confidence, class_id]，对应某个检测框的坐标、置信度、类别

④id：model.track方法会用上，定义相邻帧的物体是否是同一个

⑤is_track：判断是否在执行model.track方法

⑥orig_shape：同上

⑦shape：边界框数据的形状（3个框，每个框6个属性）

⑧xywh：框的坐标（中心点格式）

⑨xywhn：框的坐标（中心点格式且归一化）

⑩xyxy：边界框坐标（像素值）

⑪xyxyn：边界框坐标（像素值且归一化）

3.其实YOLO还为boxes对象实现了迭代方法，可以遍历每个框（具体实现得等我以后把源码读熟）：

for box in results[0].boxes:
    print(box)

结果如下：

就是把上边的Boxes每个框信息拆开来了