如何在YOLOv8中结合摄像头处理model.predict的检测结果？

方法1：自定义逐帧循环处理 #

不要直接调用阻塞式的model.predict(source=0)，改成手动读取摄像头帧，逐帧预测并实时判断：

import cv2
from ultralytics import YOLO

# 加载YOLO模型
model = YOLO('yolov8n.pt')
# 打开默认摄像头（设备ID为0）
cap = cv2.VideoCapture(0)

while cap.isOpened():
    # 读取单帧画面
    success, frame = cap.read()
    if not success:
        break
    
    # 对当前帧执行预测，关闭冗余输出
    results = model(frame, verbose=False)
    
    # 遍历检测结果，判断是否存在行人（YOLO默认类别ID 0对应person）
    for result in results:
        for box in result.boxes:
            cls_id = int(box.cls[0])
            if cls_id == 0:
                # 此处写入你要触发的代码
                print("检测到行人，执行动作！")
                # 示例：控制硬件、发送通知、记录日志等
    
    # 可选：显示标注后的画面
    annotated_frame = results[0].plot()
    cv2.imshow('实时检测画面', annotated_frame)
    
    # 按Q键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

方法2：使用YOLO回调函数 #

利用Ultralytics的回调机制，在每帧预测完成后自动触发自定义逻辑：

from ultralytics import YOLO

def trigger_action_on_detection(predictor):
    # 获取当前帧的检测结果
    results = predictor.results
    for result in results:
        for box in result.boxes:
            if int(box.cls[0]) == 0:  # 检测到行人
                print("检测到行人，触发指定代码！")
                # 执行你的业务逻辑

# 加载模型并注册回调
model = YOLO('yolov8n.pt')
model.add_callback('on_predict_postprocess_end', trigger_action_on_detection)

# 启动摄像头流预测，stream=True保持实时处理
model.predict(source=0, stream=True, verbose=False)

方法3：修正类别计数器的实时输出 #

如果坚持使用Ultralytics的ObjectCounter，可以改成逐帧实时获取计数结果：

from ultralytics import YOLO
from ultralytics.solutions import object_counter

model = YOLO('yolov8n.pt')
# 初始化计数器
counter = object_counter.ObjectCounter()
counter.set_args(view_img=True, classes_names=model.names, draw_tracks=True)

# 逐帧处理摄像头流
for frame in model.predict(source=0, stream=True, verbose=False):
    annotated_frame = counter.start_counting(frame)
    # 实时获取行人数量（类别ID 0）
    person_count = counter.class_counts.get(0, 0)
    if person_count > 0:
        print(f"当前行人数量：{person_count}，触发动作！")
        # 执行你的代码

关键提示 #

• 核心逻辑是避免阻塞式的一次性predict调用，改用逐帧处理或回调机制，确保每帧预测后能立即执行判断和触发动作。
• YOLO默认类别ID可通过print(model.names)查看，person对应的ID为0。
• 设置verbose=False可减少控制台冗余输出，避免干扰你的触发逻辑。

内容的提问来源于stack exchange，提问作者Alonso Martinez