Здравствуйте! Можете это реализовать следующим образом. Если я правильно понял, что вы ходите сделать. Я тут использовал Pillow и ImageDraw

Если хотите подробнее это изучить, то можете почитать в доке https://pillow.readthedocs.io/en/stable/reference/...

from PIL import Image, ImageDraw, ImageFont


def create_odd_image(odd):
    # Создание нового пустого изображения (белый фон)
    image = Image.new('RGB', (420, 100), color='white')

    # Создание объекта ImageDraw для рисования на изображении
    draw = ImageDraw.Draw(image)

    # Определение шрифта и его размера
    font = ImageFont.truetype("arial.ttf", 32)

    # Рисование текста на изображении
    draw.text((10, 10), f'Ваш коэффициент: {odd}', fill="black", font=font)

    # Сохранение измененного изображения
    image.save('odd_image.jpg')

    # Возвращаем открытое изображение
    return open('odd_image.jpg', 'rb')

Здравствуйте! Если Вы используйте метод predict или просто обращаетесь к экземпляру model(), то Вы можете использовать атрибут classes. Он принимает список с id классов, которые будут распознаны.

id классов можно найти в .yaml файле для обучения модели. в случае в датасетом COCO, на котором обучена модель YOLO, которая идет в этой библиотеке, этот файл можно найти по ссылке https://github.com/ultralytics/ultralytics/blob/ma...

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on 'bus.jpg' with arguments
model.predict('bus.jpg', save=True, imgsz=320, conf=0.5, classes=[0,1])

#или так
#model('bus.jpg', save=True, imgsz=320, conf=0.5, classes=[0,1])

вот ссылка на документацию https://docs.ultralytics.com/modes/predict/#infere...

и если нужен будет какой то более сложный функционал, то можно наследовать свой класс от стандартной модели и делать в нем изменения. но в большинстве случаев это не пригодится