استكشف Ultralytics YOLOv8#
نظرة عامة#
أصدرت Ultralytics نموذج YOLOv8 في 10 يناير 2023، ليقدم أداءً متطوراً من حيث الدقة والسرعة. وبناءً على التطورات التي حققتها إصدارات YOLO السابقة، قدم YOLOv8 ميزات وتحسينات جديدة تجعله خياراً مثالياً لمختلف مهام تحديد الكائنات في نطاق واسع من التطبيقات.
Watch: Ultralytics YOLOv8 Model Overview
استكشف نماذج YOLOv8 وقم بتشغيلها مباشرة على منصة Ultralytics.
الميزات الرئيسية لـ YOLOv8#
- هيكليات الهيكل الأساسي والعنق المتقدمة: يوظف YOLOv8 هيكليات الهيكل الأساسي والعنق الأحدث من نوعها، مما ينتج عنه تحسن في أداء استخراج الميزات وتحديد الكائنات.
- رأس Ultralytics مقسم وخالٍ من المرساة (Anchor-free): يتبنى YOLOv8 رأساً مقسماً وخالياً من المرساة، مما يساهم في دقة أفضل وعملية اكتشاف أكثر كفاءة مقارنة بالأساليب القائمة على المرساة.
- موازنة محسنة بين الدقة والسرعة: مع التركيز على الحفاظ على توازن مثالي بين الدقة والسرعة، يعد YOLOv8 مناسباً لمهام اكتشاف الكائنات في الوقت الفعلي في مجالات تطبيق متنوعة.
- مجموعة متنوعة من النماذج المدربة مسبقاً: يوفر YOLOv8 مجموعة من النماذج المدربة مسبقاً لتلبية المهام المختلفة 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 في الرؤية الحاسوبية. تم تصميم هذه النماذج لتلبي المتطلبات المختلفة، بدءاً من تحديد الكائنات وصولاً إلى المهام الأكثر تعقيداً مثل التجزئة الدلالية للنسخ، والتصنيف، وتحديد الوضعية/النقاط الرئيسية، وتحديد الكائنات الموجهة.
تم تحسين كل متغير من سلسلة YOLOv8 ليناسب مهمته الخاصة، مما يضمن أداءً ودقة عالية. بالإضافة إلى ذلك، تتوافق هذه النماذج مع أوضاع التشغيل المختلفة بما في ذلك الاستدلال، والتحقق، والتدريب، والتصدير، مما يسهل استخدامها في مراحل النشر والتطوير المختلفة.
| النموذج | أسماء الملفات | المهمة | التدريب | التحقق | الاستنتاج | التصدير |
|---|---|---|---|---|---|---|
| YOLOv8 | yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt | الاكتشاف | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-seg | yolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt | تجزئة الحالات الفردية | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-cls | yolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.pt | التصنيف | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-pose | yolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.pt | الوضعيات / النقاط الرئيسية | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-obb | yolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt | الاكتشاف الموجه | ✅ | ✅ | ✅ | ✅ |
يقدم هذا الجدول نظرة عامة على متغيرات نموذج YOLOv8، مسلطاً الضوء على مدى ملاءمتها لمهام محددة وتوافقها مع مختلف أوضاع التشغيل مثل الاستدلال، والتحقق، والتدريب، والتصدير. وهو يبرز تنوع وقوة سلسلة YOLOv8، مما يجعلها مناسبة لمجموعة متنوعة من التطبيقات في الرؤية الحاسوبية.
مقاييس الأداء#
راجع مستندات الاكتشاف لمعرفة أمثلة الاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقاً.
أمثلة على استخدام YOLOv8#
يقدم هذا المثال أمثلة بسيطة لتدريب واستدلال YOLOv8. للحصول على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ، والتدريب، والتحقق، والتصدير.
لاحظ أن المثال أدناه مخصص لنماذج الكشف في YOLOv8 لتحديد الكائنات. للتعرف على المهام الإضافية المدعومة، راجع وثائق التجزئة، والتصنيف، والوضع، وOBB.
يمكن تمرير نماذج *.pt المدربة مسبقًا باستخدام PyTorch بالإضافة إلى ملفات تكوين *.yaml إلى فئة 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#
لم تقم Ultralytics بنشر ورقة بحثية رسمية لـ YOLOv8 نظراً للطبيعة المتطورة بسرعة للنماذج. نحن نركز على تطوير التكنولوجيا وجعلها أكثر سهولة في الاستخدام، بدلاً من إنتاج وثائق ثابتة. للحصول على أحدث المعلومات حول هيكلية YOLO والميزات والاستخدام، يرجى الرجوع إلى مستودع GitHub والوثائق الخاصة بنا.
إذا كنت تستخدم نموذج YOLOv8 أو أي برنامج آخر من هذا المستودع في عملك، يرجى الاستشهاد به باستخدام الصيغة التالية:
@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 معرف الوثيقة الرقمية (DOI) قيد الانتظار وسيتم إضافته إلى الاستشهاد بمجرد توفره. يتم توفير نماذج YOLOv8 بموجب ترخيصي AGPL-3.0 والمؤسسات.
الأسئلة الشائعة#
تم تصميم YOLOv8 لتحسين أداء تحديد الكائنات في الوقت الفعلي باستخدام ميزات متقدمة. وعلى عكس الإصدارات السابقة، يدمج YOLOv8 رأس Ultralytics المنفصل الخالي من المراسي، وهيكليات الهيكل الأساسي والعنق الأحدث من نوعها، ويوفر مقايضة محسنة بين الدقة والسرعة، مما يجعله مثالياً لمختلف التطبيقات. لمزيد من التفاصيل، راجع قسمي نظرة عامة والميزات الرئيسية.
يدعم YOLOv8 نطاقاً واسعاً من مهام الرؤية الحاسوبية، بما في ذلك تحديد الكائنات، والتجزئة الدلالية للنسخ، وتحديد الوضعية/النقاط الرئيسية، وتحديد الكائنات الموجهة، والتصنيف. يتم تحسين كل متغير من النماذج لمهمته الخاصة ومتوافق مع أوضاع التشغيل المختلفة مثل الاستدلال، والتحقق، والتدريب، والتصدير. الرجاء الرجوع إلى قسم المهام والأوضاع المدعومة لمزيد من المعلومات.
تحقق نماذج YOLOv8 أداءً متطوراً عبر مختلف مجموعات بيانات المقارنة المعيارية. على سبيل المثال، يحقق نموذج YOLOv8n متوسط دقة متوسطة (mAP) يبلغ 37.3 على مجموعة بيانات COCO وبسرعة 0.99 ميلي ثانية على A100 TensorRT. يمكن العثور على مقاييس الأداء المفصلة لكل متغير من نماذج عبر مختلف المهام ومجموعات البيانات في قسم مقاييس الأداء.
يمكن إجراء تدريب نموذج YOLOv8 باستخدام Python أو CLI. وفيما يلي أمثلة لتدريب نموذج باستخدام نموذج YOLOv8 المدرب مسبقاً على COCO على مجموعة بيانات COCO8 لـ 100 حقبة تدريب:
مثالfrom 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، قم بزيارة وثائق التدريب.
نعم، يمكن قياس أداء نماذج YOLOv8 من حيث السرعة والدقة عبر تنسيقات تصدير مختلفة. يمكنك استخدام PyTorch وONNX وTensorRT والمزيد لقياس الأداء. فيما يلي أمثلة على الأوامر لقياس الأداء باستخدام Python وCLI:
مثالfrom ultralytics.utils.benchmarks import benchmark # Benchmark on GPU benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)للحصول على معلومات إضافية، راجع قسم مقاييس الأداء.