此处以YOLOv8模型为例，在一张图片中检测出一个bounding box，检测代码如下：

from ultralytics import YOLO
import os
import cv2

current_dir = os.path.dirname(os.path.abspath(__file__))
model_dir = os.path.join(current_dir, 'model')
model_path = os.path.join(model_dir, 'find_box.pt')
image_dir = os.path.join(current_dir, 'images')

images_path_list = [os.path.join(image_dir, image_name) for image_name in os.listdir(image_dir)]
first_image_path = images_path_list[0]

detect_model = YOLO(model_path)

# 模型检测box
result = detect_model(first_image_path, save=True)
print('result:\n' ,result)

打印result的结果如下：

result:
 [ultralytics.engine.results.Results object with attributes:

boxes: ultralytics.engine.results.Boxes object
keypoints: None
masks: None
names: {0: 'box'}
obb: None
orig_img: array([[[  0, 146, 194],
        [  2, 148, 196],
        [  3, 149, 197],
        ...
        [  5,  37,  56],
        [  5,  37,  56],
        [  6,  38,  57]]], dtype=uint8)
orig_shape: (1520, 2688)
path: 'c:\\Users\\Administrator\\Desktop\\tmp\\images\\1.jpg'
probs: None
save_dir: 'runs\\detect\\predict2'
speed: {'preprocess': 2.999544143676758, 'inference': 193.587064743042, 'postprocess': 1.9960403442382812}]

result结果分析：

boxes: ultralytics.engine.results.Boxes object

存储检测框信息的对象，存储了包括坐标、置信度、类别等。

keypoints: None

关键点检测结果（人体姿态等），当前模型没有这个功能

masks: None

实例分割的掩码，当前模型没有这个功能

names: {0: 'box'}

类别名称映射表：类别ID=0 对应名称 'box'

obb: None

旋转目标框（Oriented Bounding Box），当前模型不支持

orig_img: array([[[0,146,194]...]]

原始图像的像素数据（三维数组，H×W×C）

orig_shape: (1520, 2688)

原始图像的真实尺寸（高×宽），不是模型输入尺寸

path: 'c:\\Users\\Administrator\\Desktop\\tmp\\images\\1.jpg'

源文件位置

probs: None

分类概率，当前模型没有这个功能（只做目标检测）

save_dir: 'runs\\detect\\predict2'

结果保存目录（带标注的图像会存到这里）

speed: {'preprocess': 2.999544143676758, 'inference': 193.587064743042, 'postprocess': 1.9960403442382812}

详细的各阶段耗时（字典格式）

boxes属性分析：

不能直接print(result.boxes)，因为result是一个list类型，保存了多张图片的检测结果，即使目前只处理了一张图片，但是也是一个list，所以要用print(result[0].boxes)。

print(result[0].boxes)结果如下：

cls: tensor([0.])
conf: tensor([0.9534])
data: tensor([[1.1318e+03, 3.6029e+02, 1.8270e+03, 1.0282e+03, 9.5337e-01, 0.0000e+00]])
id: None
is_track: False
orig_shape: (1520, 2688)
shape: torch.Size([1, 6])
xywh: tensor([[1479.3813,  694.2301,  695.2084,  667.8889]])
xywhn: tensor([[0.5504, 0.4567, 0.2586, 0.4394]])
xyxy: tensor([[1131.7772,  360.2856, 1826.9856, 1028.1746]])
xyxyn: tensor([[0.4210, 0.2370, 0.6797, 0.6764]])

cls：检测到的目标类别ID

conf：置信度

data：完整的检测数据，[左上角x, 左上角y, 右下角x, 右下角y, 置信度, 类别ID]

id：目标追踪ID，None 表示未启用目标追踪功能

is_track：是否启用追踪模式，False 表示这是单帧独立检测，不跨帧关联目标

orig_shape：原始图像的真实尺寸

shape：[1, 6] 表示有 1 个检测目标，每个目标有 6 个属性值

xywh：[中心点x, 中心点y, 宽度, 高度]

xywhn：归一化的边界框坐标（0~1范围）

xyxy：边界框的四个角坐标（原始图像像素单位）[左上角x, 左上角y, 右下角x, 右下角y]

xyxyn：归一化的四个角坐标（0~1范围）