Ultralytics YOLO27:

استكشف Ultralytics YOLOv8#

نظرة عامة#

أصدرت Ultralytics إصدار YOLOv8 في 10 يناير 2023، مقدمًا أداءً متطورًا من حيث الدقة والسرعة. واستنادًا إلى التطورات التي شهدتها إصدارات YOLO السابقة، قدّم YOLOv8 ميزات وتحسينات جديدة تجعله خيارًا مثاليًا لمهام اكتشاف الأجسام في مجموعة واسعة من التطبيقات.

مخططات مقارنة أداء YOLOv8



Watch: Ultralytics YOLOv8 Model Overview
جرّبه على منصة Ultralytics

استكشف نماذج YOLOv8 وشغّلها مباشرةً على منصة Ultralytics.

الميزات الرئيسية في YOLOv8#

  • بُنى العمود الفقري والعنق المتقدمة: يستخدم YOLOv8 بُنى عمود فقري وعنق متطورة، مما يؤدي إلى تحسين أداء استخراج الميزات واكتشاف الأجسام.
  • رأس Ultralytics المنقسم الخالي من المراسي: يعتمد YOLOv8 رأس Ultralytics منقسمًا وخاليًا من المراسي، مما يسهم في تحسين الدقة وزيادة كفاءة عملية الاكتشاف مقارنةً بالأساليب القائمة على المراسي.
  • تحسين المفاضلة بين الدقة والسرعة: بتركيزه على الحفاظ على توازن مثالي بين الدقة والسرعة، يلائم YOLOv8 مهام اكتشاف الأجسام في الوقت الفعلي ضمن مجالات تطبيقية متنوعة.
  • مجموعة متنوعة من النماذج المدرّبة مسبقًا: يقدم YOLOv8 مجموعة من النماذج المدرّبة مسبقًا لتلبية مختلف المهام ومتطلبات الأداء، مما يسهل العثور على النموذج المناسب لحالة الاستخدام الخاصة بك.

المهام والأوضاع المدعومة#

تقدم سلسلة YOLOv8 مجموعة متنوعة من النماذج، يتخصص كل منها في مهام محددة ضمن الرؤية الحاسوبية. وقد صُممت هذه النماذج لتلبية متطلبات متنوعة، بدءًا من اكتشاف الأجسام ووصولًا إلى مهام أكثر تعقيدًا مثل تجزئة المثيلات والتصنيف واكتشاف الوضعيات/النقاط الرئيسية واكتشاف الأجسام الموجّهة.

حُسّن كل متغير من سلسلة YOLOv8 للمهمة الخاصة به، مما يضمن أداءً ودقةً مرتفعين. بالإضافة إلى ذلك، تتوافق هذه النماذج مع أوضاع تشغيل متنوعة، تشمل الاستدلال والتحقق والتدريب والتصدير، مما يسهّل استخدامها في مراحل مختلفة من النشر والتطوير.

النموذجأسماء الملفاتالمهمةالتدريبالتحققالاستدلالالتصدير
YOLOv8yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.ptالكشف✅✅✅✅
YOLOv8-segyolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.ptتقسيم الكائنات✅✅✅✅
YOLOv8-clsyolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.ptالتصنيف✅✅✅✅
YOLOv8-poseyolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.ptالوضعية/النقاط الرئيسية✅✅✅✅
YOLOv8-obbyolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.ptالكشف الموجّه✅✅✅✅

يقدم هذا الجدول نظرة عامة على متغيرات نماذج YOLOv8، مع إبراز مدى ملاءمتها لمهام محددة وتوافقها مع أوضاع تشغيل متنوعة مثل الاستدلال والتحقق والتدريب والتصدير. كما يوضح تعدد استخدامات سلسلة YOLOv8 ومتانتها، مما يجعلها مناسبة لمجموعة متنوعة من تطبيقات الرؤية الحاسوبية.

مقاييس الأداء#

الأداء

راجع وثائق الكشف للاطلاع على أمثلة الاستخدام مع هذه النماذج المدرّبة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقًا.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
A100 TensorRT
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLOv8n64037.380.40.993.28.7
YOLOv8s64044.9128.41.2011.228.6
YOLOv8m64050.2234.71.8325.978.9
YOLOv8l64052.9375.22.3943.7165.1
YOLOv8x64053.9479.13.5368.2257.8

أمثلة على استخدام YOLOv8#

يقدم هذا المثال أمثلة بسيطة على تدريب YOLOv8 والاستدلال به. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ والتدريب والتحقق والتصدير.

يرجى ملاحظة أن المثال أدناه مخصص لنماذج YOLOv8 للاكتشاف من أجل اكتشاف الأجسام. للاطلاع على المهام المدعومة الإضافية، راجع وثائق التجزئة والتصنيف والوضعيات وOBB.

مثال

يمكن تمرير نماذج *.pt المدرّبة مسبقًا باستخدام PyTorch، بالإضافة إلى ملفات الإعداد *.yaml، إلى الفئة YOLO() لإنشاء مثيل نموذج في Python:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

الاقتباسات والشكر والتقدير#

منشور Ultralytics عن YOLOv8

لم تنشر Ultralytics ورقة بحثية رسمية عن YOLOv8 نظرًا إلى الطبيعة سريعة التطور للنماذج. نركز على تطوير التقنية وتسهيل استخدامها بدلًا من إنتاج وثائق ثابتة. للحصول على أحدث المعلومات حول بنية YOLO وميزاته واستخدامه، يرجى الرجوع إلى مستودع GitHub والوثائق.

إذا استخدمت نموذج YOLOv8 أو أي برنامج آخر من هذا المستودع في عملك، يرجى الاستشهاد به باستخدام التنسيق التالي:

اقتباس
@software{yolov8_ultralytics,
  author = {Glenn Jocher and Ayush Chaurasia and Jing Qiu},
  title = {Ultralytics YOLOv8},
  version = {8.0.0},
  year = {2023},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

يرجى ملاحظة أن DOI قيد الانتظار، وسيُضاف إلى الاستشهاد عند توفره. تُوفَّر نماذج YOLOv8 بموجب تراخيص AGPL-3.0 والمؤسسات.

الأسئلة الشائعة#

  • صُمم YOLOv8 لتحسين أداء اكتشاف الأجسام في الوقت الفعلي من خلال ميزات متقدمة. وعلى خلاف الإصدارات السابقة، يدمج YOLOv8 رأس Ultralytics المنقسم الخالي من المراسي، وبُنى عمود فقري وعنق متطورة، ويوفر مفاضلة محسّنة بين الدقة والسرعة، مما يجعله مثاليًا لتطبيقات متنوعة. لمزيد من التفاصيل، راجع قسمي نظرة عامة والميزات الرئيسية.

  • يدعم YOLOv8 مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك اكتشاف الأجسام وتجزئة المثيلات واكتشاف الوضعيات/النقاط الرئيسية واكتشاف الأجسام الموجّهة والتصنيف. وقد حُسّن كل متغير من النماذج لمهمته المحددة، ويتوافق مع أوضاع تشغيل متنوعة مثل الاستدلال والتحقق والتدريب والتصدير. راجع قسم المهام والأوضاع المدعومة لمزيد من المعلومات.

  • تحقق نماذج YOLOv8 أداءً متطورًا عبر مجموعات بيانات متنوعة للقياس. فعلى سبيل المثال، يحقق نموذج YOLOv8n قيمة mAP (متوسط الدقة) تبلغ 37.3 على مجموعة بيانات COCO، وسرعة قدرها 0.99 مللي ثانية على A100 TensorRT. ويمكن العثور على مقاييس الأداء التفصيلية لكل متغير من النماذج عبر المهام ومجموعات البيانات المختلفة في قسم مقاييس الأداء.

  • يمكن تدريب نموذج YOLOv8 باستخدام Python أو CLI. فيما يلي أمثلة على تدريب نموذج باستخدام نموذج YOLOv8 مدرّب مسبقًا على COCO ضمن مجموعة بيانات COCO8 لمدة 100 حقبة:

    مثال
    from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    لمزيد من التفاصيل، تفضل بزيارة وثائق التدريب.

  • نعم، يمكن إجراء قياس معياري لأداء نماذج YOLOv8 من حيث السرعة والدقة عبر تنسيقات تصدير متنوعة. يمكنك استخدام PyTorch وONNX وTensorRT وغيرها لإجراء القياس المعياري. فيما يلي أوامر نموذجية لإجراء القياس باستخدام Python وCLI:

    مثال
    from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)

    لمزيد من المعلومات، راجع قسم مقاييس الأداء.

المساهمون
GLglenn-jocher33LALaughing-q4RIRizwanMunawar4RAraimbekovm3Y-Y-T-G3PDpderrenger2ONonuralpszr1LELexBarou1MAMatthewNoyce1BUBurhan-Q1AYAyushExel1FCfcakyon1

التعليقات