本文详解在yolov8中通过python脚本安全、可靠地提取预测结果的类别名称（class names），涵盖环境配置、api调用规范、常见报错分析及完整可运行示例。
本文详解在yolov8中通过python脚本安全、可靠地提取预测结果的类别名称（class names），涵盖环境配置、api调用规范、常见报错分析及完整可运行示例。
YOLOv8 的官方 API 已重构，旧版导入路径 ultralytics.yolo.engine.model 已废弃，直接导致 ModuleNotFoundError: No module named 'ultralytics.yolo' 错误。正确做法是使用新版统一入口 from ultralytics import YOLO。
✅ 第一步：确认并安装 ultralytics
运行以下命令检查是否已安装及版本号：
pip show ultralytics # 或 pip list | findstr ultralytics # Windows # pip list | grep ultralytics # macOS/Linux
若未安装或版本过低（推荐 ≥ v8.0.20），请执行：
pip install --upgrade ultralytics # 或指定稳定版本（如最新正式版） pip install ultralytics==8.2.43
✅ 第二步：正确加载模型与解析类别名
YOLOv8 模型对象自带 names 属性（Dict[int, str]），键为类别索引，值为类别名称。预测结果 results 是 Results 对象列表，需通过 .boxes.cls 获取类别张量，并转换为整数索引后查表：
from ultralytics import YOLO
model = YOLO("path/to/best.pt") # 支持 .pt / .onnx / .engine 等格式
results = model.predict(source=0, conf=0.5, show=True, save=True) # source=0 表示摄像头
# 遍历每帧结果
for r in results:
if r.boxes is not None and len(r.boxes.cls) > 0:
class_indices = r.boxes.cls.cpu().int().tolist() # 转为 Python list
class_names = [model.names[int(i)] for i in class_indices]
print("Detected classes:", class_names)
# 示例输出: ['person', 'car', 'dog']
⚠️ 关键注意事项：
- r.boxes.cls 返回的是 torch.Tensor，必须调用 .cpu().int().tolist() 转为 Python 原生整数列表，避免类型错误；
- model.names 是字典（如 {0: 'person', 1: 'bicycle'}），不可直接用 r.boxes.cls.numpy() 索引（因可能含浮点或 GPU 张量）；
- 若使用 stream=True（如处理视频流），results 为生成器，需用 for r in results: 迭代，不可索引；
- show=True 和 save=True 会阻塞主线程（尤其 show=True 在无 GUI 环境会报错），生产部署建议设为 False 并自行可视化。
? 进阶提示：如需同时获取类别名、置信度与边界框坐标，可统一结构化输出：
for r in results:
boxes = r.boxes.xyxy.cpu().numpy() # [x1, y1, x2, y2]
confs = r.boxes.conf.cpu().numpy() # 置信度
cls_ids = r.boxes.cls.cpu().int().numpy()
for i, (box, conf, cls_id) in enumerate(zip(boxes, confs, cls_ids)):
cls_name = model.names[int(cls_id)]
print(f"[{i}] {cls_name} (conf: {conf:.3f}) at {box}")
掌握以上方法，即可稳定、高效地从 YOLOv8 推理结果中提取语义化的类别名称，为后续逻辑判断、日志记录或系统集成提供可靠基础。
