Python | OpenCV YOLOv8 推論與匯出

📚 前言

在上一篇 YOLOv8 訓練結果分析 中，我們確認了模型的訓練品質。
恭喜你！已經完成從資料集準備、預標籤、訓練，到結果分析的完整流程。

現在來到最後一步 —— 把訓練好的模型實際應用起來。

這一篇會教你：

如何對單張圖片、影片、即時攝影機進行推論
如何自訂繪製偵測結果
如何把模型匯出成 ONNX 格式（方便後續與 OpenCV 深度整合）

本篇所有範例都會用到前一篇訓練好的最佳模型：

1	runs/detect/custom_detector/weights/best.pt

若檔案不存在，請先確認 YOLOv8 訓練進階設定 的 train_full.py 是否正常跑完。

🎨 範例圖片/影片

這裡我們使用 Pexels 提供的免費圖片素材：Cat Image。
下載後將檔名改為 test_cat.jpg，放在 assets/，即可用於以下各範例。

影片範例同樣使用 Pexels 提供的免費素材：Cat And Dogs Video。
下載後將檔名改為 test_cat_and_dog.mp4，放在 assets/，即可用於影片推論範例。

💻 靜態圖片推論

說明：
conf=0.5 是信心度門檻，建議從 0.5 開始調整，太低會有很多誤報，太高會漏掉物件。

# inference_image.py
from ultralytics import YOLO
import cv2

model = YOLO("runs/detect/custom_detector/weights/best.pt")

# 推論
results = model("assets/test_cat.jpg", conf=0.5, save=False)

# 取得第一張結果（單張圖片通常只有一個）
result = results[0]

# 印出偵測資訊
for box in result.boxes:
    cls_id = int(box.cls)
    conf = float(box.conf)
    x1, y1, x2, y2 = map(int, box.xyxy[0])
    label = f"{model.names[cls_id]}: {conf:.2f}"
    print(f"偵測到：{label}，座標：({x1},{y1}) - ({x2},{y2})")

# ========== 顯示圖片（推薦寫法） ==========
img = result.plot()                    # 產生帶框的圖片 (BGR格式)
cv2.imshow("YOLOv8 Detection", img)    # 自訂視窗名稱
cv2.waitKey(0)                         # 按任意鍵關閉視窗
cv2.destroyAllWindows()                # 關閉所有 OpenCV 視窗

# 儲存結果
result.save(filename="output/result.jpg")
print("已儲存到 output/result.jpg")

圖：載入訓練好的 YOLOv8 模型對靜態圖片推論，取得邊界框座標、類別與信心度並儲存結果

💻 批次圖片推論

# inference_batch.py
from ultralytics import YOLO
import os

model   = YOLO("runs/detect/custom_detector/weights/best.pt")
img_dir = "assets/"
out_dir = "output/"                         # 輸出目錄：output/
os.makedirs(out_dir, exist_ok=True)

image_paths = [os.path.join(img_dir, f)
               for f in os.listdir(img_dir)
               if f.lower().endswith((".jpg", ".png"))]

results = model(image_paths, conf=0.5, batch=8)

for i, r in enumerate(results):
    print(f"\n圖片 {image_paths[i]}：")
    for box in r.boxes:
        cls_id = int(box.cls)
        conf   = float(box.conf)
        print(f"  {model.names[cls_id]}: {conf:.2f}")

    fname = os.path.basename(image_paths[i])
    r.save(filename=os.path.join(out_dir, fname))  # 保留原檔名，存入 output/

print(f"\n完成：結果儲存至 {out_dir}")

圖：批次讀取目錄中的所有圖片一次送入模型推論，輸出各圖片的偵測類別並儲存標註結果

💻 影片推論

# inference_video.py
from ultralytics import YOLO

model = YOLO("runs/detect/custom_detector/weights/best.pt")

# 對影片推論，結果自動儲存
results = model(
    "assets/test_cat_and_dog.mp4",
    conf=0.5,
    save=True,          # 儲存標註後的影片，預設輸出在 runs/detect/predict/
)

圖：對影片檔案執行 YOLOv8 推論，自動儲存標註後的輸出影片

💻 即時攝影機推論

# inference_camera.py
from ultralytics import YOLO
import cv2

model = YOLO("runs/detect/custom_detector/weights/best.pt")

cap = cv2.VideoCapture(0)
print("按 q 離開")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, conf=0.5, verbose=False)
    annotated = results[0].plot()

    cv2.imshow("YOLOv8 Detection", annotated)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

📝 註：由於本身沒有攝影鏡頭，所以無法示範效果。

💻 手動繪製偵測結果（自訂樣式）

若需要自訂邊界框顏色或字型，可不使用 .plot() 而自行繪製：

# inference_camera_custom.py
from ultralytics import YOLO
import cv2

model = YOLO("runs/detect/custom_detector/weights/best.pt")

COLORS = [(0,255,0), (255,0,0), (0,0,255), (255,255,0)]  # 每個類別一個顏色

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, conf=0.5, verbose=False)

    for box in results[0].boxes:
        cls_id      = int(box.cls)
        conf        = float(box.conf)
        x1,y1,x2,y2 = map(int, box.xyxy[0])
        color       = COLORS[cls_id % len(COLORS)]
        label       = f"{model.names[cls_id]} {conf:.2f}"

        cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)
        cv2.putText(frame, label, (x1, y1 - 8),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2)

    cv2.imshow("YOLOv8", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

📝 註：由於本身沒有攝影鏡頭，所以無法示範效果。

💻 匯出為 ONNX

匯出 ONNX 後可用 cv2.dnn 或 onnxruntime 推論，不依賴 ultralytics：

# export_onnx.py
from ultralytics import YOLO

model = YOLO("runs/detect/custom_detector/weights/best.pt")

# 匯出為 ONNX
model.export(format="onnx", imgsz=640, dynamic=False, simplify=True)
# 匯出後產生：runs/detect/custom_detector/weights/best.onnx

圖：將訓練好的 YOLOv8 模型匯出為 ONNX 格式，供跨平台部署使用

使用 onnxruntime 推論：

# inference_onnx.py
import onnxruntime as ort
import numpy as np
import cv2

session    = ort.InferenceSession("runs/detect/custom_detector/weights/best.onnx")
input_name = session.get_inputs()[0].name

def preprocess(img, imgsz=640):
    img_rgb   = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img_rsz   = cv2.resize(img_rgb, (imgsz, imgsz))
    blob      = img_rsz.astype(np.float32) / 255.0
    return np.expand_dims(blob.transpose(2, 0, 1), axis=0)

img  = cv2.imread("assets/test_cat.jpg")
blob = preprocess(img)

outputs = session.run(None, {input_name: blob})
print(f"輸出形狀：{outputs[0].shape}")
# 輸出形狀為 (1, 6, 8400)
# 意義說明：
#   - 第一維 1     → batch size
#   - 第二維 6     → 每個候選框包含的資訊數量
#                    = 4（邊界框：x_center, y_center, width, height） 
#                    + 1（objectness / confidence） 
#                    + 1（你的自訂類別數，目前應該是 2 類：cat 和 dog？）
#   - 第三維 8400  → 候選框總數量（YOLOv8 在 640x640 輸入時通常為 8400）
#
# 注意：
#   YOLOv8 的 ONNX 輸出格式與 YOLOv5 不同，已經把 class confidence 與 objectness 合併處理。
#   你必須自行實作：
#   1. 過濾低信心度
#   2. 還原座標 (從 center+wh → xyxy)
#   3. Non-Maximum Suppression (NMS)

圖：使用 onnxruntime 載入 ONNX 模型，對圖片進行前處理並執行推論取得原始輸出張量

💡 ONNX 輸出的後處理（NMS、座標還原）較複雜，實際部署建議直接使用 ultralytics 的 Python API，或使用 cv2.dnn.readNetFromONNX 搭配 YOLOv8 的後處理邏輯。

💻 其他匯出格式

各格式有平台限制，請依環境選擇：

格式	需求	適用場景
`engine`（TensorRT）	NVIDIA GPU + TensorRT 安裝	伺服器端高速推論
`coreml`	macOS 環境	iPhone / iPad 部署
`tflite`	無特殊需求	Android / 嵌入式裝置

⚠️ 注意事項

conf 閾值的設定：預設為 0.25，太低會有很多誤報，太高會漏掉低信心的正確偵測，需根據應用場景調整。
iou 閾值（NMS）：預設為 0.7，控制重疊邊界框的過濾，物件密集的場景建議調低（如 0.5）。
verbose=False：在即時推論的迴圈中必須設定，否則每幀都會輸出推論資訊，嚴重影響效能。
ONNX 的後處理：YOLOv8 的 ONNX 輸出格式在不同版本間可能略有差異，建議以 ultralytics 的 Python API 為主，ONNX 用於需要脫離 Python 環境的部署場景。

📊 應用場景

工廠自動品管：用訓練好的瑕疵偵測模型，對生產線即時攝影機畫面進行偵測。
倉庫商品辨識：偵測並定位貨架上的商品，輔助自動化盤點。
安全監控：偵測特定人員或行為，即時發出警報。

🎯 結語

至此，完整的 YOLOv8 自訓練物件偵測流程全部走完：

環境安裝 → 資料集準備 → 模型訓練 → 結果分析 → 推論與匯出

掌握這個流程，就能針對任何你想偵測的物件，從零開始訓練出專屬的 YOLOv8 模型。

下一篇是 YOLOv8 常見問題 Q&A，整理學完整個流程後最常遇到的問題，包含增加新類別、遷移學習策略與獨立模型的優缺點。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
Ultralytics YOLOv8 官方文件 — Predict
Ultralytics YOLOv8 官方文件 — Export
Ultralytics YOLOv8 官方文件 — Python Usage
ONNX Runtime 官方文件

Python | OpenCV YOLOv8 訓練結果分析

Python | OpenCV YOLOv8 常見問題 Q&A

↑
If you enjoy the article, please feel free to donate~ Thx.
若本文對您有幫助，您也願意支持打賞，謝謝您的鼓勵。

本文由J.J. Huang 創作，採用CC BY 3.0 TW協議進行許可。可自由轉載、引用，但需署名作者且註明文章出處。

J.J.'s Blogs

J.J. Huang 2026-04-11 Python OpenCV 07.物件偵測與辨識篇瀏覽次數：次 {{moment(1775869200000).fromNow()}}

Python | OpenCV YOLOv8 推論與匯出

📚 前言

🎨 範例圖片/影片

💻 靜態圖片推論

💻 批次圖片推論

💻 影片推論

💻 即時攝影機推論

💻 手動繪製偵測結果（自訂樣式）

💻 匯出為 ONNX

💻 其他匯出格式

⚠️ 注意事項

📊 應用場景

🎯 結語

J.J. Huang 2026-04-11 Python OpenCV 07.物件偵測與辨識篇 瀏覽次數：次 {{moment(1775869200000).fromNow()}}

Python | OpenCV YOLOv8 推論與匯出

📚 前言

🎨 範例圖片/影片

💻 靜態圖片推論

💻 批次圖片推論

💻 影片推論

💻 即時攝影機推論

💻 手動繪製偵測結果（自訂樣式）

💻 匯出為 ONNX

💻 其他匯出格式

⚠️ 注意事項

📊 應用場景

🎯 結語

J.J. Huang 2026-04-11 Python OpenCV 07.物件偵測與辨識篇瀏覽次數：次 {{moment(1775869200000).fromNow()}}