如何在YOLOv8中筛选置信度50%以上的交通灯检测结果

方法1：推理时直接设置置信度阈值（最简单） #

YOLOv8的model()推理方法支持直接传入conf参数，自动过滤置信度低于阈值的检测结果，无需手动处理：

修改推理行代码如下：

results = model(frame, conf=0.5)  # conf=0.5表示只保留置信度≥50%的结果

之后调用r.plot()时，只会绘制符合阈值要求的检测框和分类标签。

方法2：手动获取置信度并筛选（适合自定义逻辑） #

如果需要更灵活的处理（比如同时获取分类名称、置信度做额外逻辑），可以遍历检测框的属性，手动筛选：

修改循环内的代码：

for r in results:
    # 筛选置信度>0.5的检测框
    valid_boxes = r.boxes[r.boxes.conf > 0.5]
    # 绘制符合条件的框到帧上
    frame = r.plot(boxes=valid_boxes)
    
    # 可选：打印符合条件的检测详情
    for box in valid_boxes:
        # 从张量中提取置信度和类别信息
        conf_score = box.conf.item()  # 转换为Python浮点数
        cls_index = box.cls.item()
        cls_name = r.names[cls_index]  # 根据类别索引获取颜色名称（red/green/yellow/off）
        print(f"交通灯颜色：{cls_name}，置信度：{conf_score:.2f}")

完整修改后的脚本 #

import cv2
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('/Models/best_traffic_nano_yolo.pt')

# open a video file or start a video stream
cap = cv2.VideoCapture(0)  # replace with 0 for webcam

while cap.isOpened():
    # Capture frame-by-frame
    ret, frame = cap.read()
    if not ret:
        break

    # flip the image
    # frame = cv2.flip(frame, -1) 

    # Run inference with confidence threshold
    results = model(frame, conf=0.5)  # 直接设置置信度阈值为0.5

    for r in results:
        # 若需要手动筛选，替换为方法2的代码
        frame = r.plot()

    # Display the resulting frame
    cv2.imshow('frame', frame)
    
    # Press 'q' on keyboard to exit
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# After the loop release the cap object and destroy all windows
cap.release()
cv2.destroyAllWindows()

关键属性说明 #

• r.boxes.conf：每个检测框的置信度张量（需用.item()转换为普通浮点数）
• r.boxes.cls：每个检测框的类别索引张量
• r.names：模型的类别名称字典，对应你的[red,green,yellow,off]标签

内容的提问来源于stack exchange，提问作者Stephan Yazvinski