استكشف Ultralytics YOLOv8#
نظرة عامة#
أصدرت Ultralytics نموذج YOLOv8 في 10 يناير 2023، مقدمًا أداءً متطورًا من حيث الدقة والسرعة. واستنادًا إلى تطورات إصدارات YOLO السابقة، قدم YOLOv8 ميزات وتحسينات جديدة تجعله خيارًا مثاليًا لمختلف مهام اكتشاف الكائنات ضمن مجموعة واسعة من التطبيقات.
شاهد: نظرة عامة على نموذج Ultralytics YOLOv8
استكشف نماذج YOLOv8 وشغّلها مباشرةً على منصة Ultralytics.
الميزات الرئيسية لـ YOLOv8#
- بنيتا العمود الفقري والعنق المتقدمتان: يستخدم YOLOv8 بنيتي عمود فقري وعنق متطورتين، ما يؤدي إلى تحسين أداء استخراج السمات وكشف الكائنات.
- رأس Ultralytics المنفصل والخالي من المراسي: يعتمد YOLOv8 رأس Ultralytics منفصلًا وخاليًا من المراسي، ما يسهم في تحسين الدقة وزيادة كفاءة عملية الكشف مقارنةً بالأساليب المعتمدة على المراسي.
- موازنة محسّنة بين الدقة والسرعة: يركّز YOLOv8 على الحفاظ على توازن مثالي بين الدقة والسرعة، ما يجعله مناسبًا لمهام كشف الكائنات في الوقت الفعلي ضمن مجالات تطبيق متنوعة.
- تشكيلة من النماذج المدرّبة مسبقًا: يوفّر YOLOv8 مجموعة من النماذج المدرّبة مسبقًا لتلبية احتياجات المهام ومتطلبات الأداء المختلفة، ما يسهّل العثور على النموذج المناسب لحالة الاستخدام المحددة.
المهام والأوضاع المدعومة#
تضم سلسلة YOLOv8 مجموعة متنوعة من النماذج، يختص كل منها بمهام محددة في الرؤية الحاسوبية. صُممت هذه النماذج لتلبية متطلبات شتى، بدءًا من كشف الكائنات ووصولًا إلى مهام أكثر تعقيدًا، مثل تجزئة المثيلات والتصنيف وكشف الوضعيات/النقاط المفتاحية وكشف الكائنات الموجّهة.
حُسّن كل إصدار من سلسلة YOLOv8 ليناسب مهمته، بما يضمن أداءً عاليًا ودقةً كبيرة. إضافةً إلى ذلك، تتوافق هذه النماذج مع أوضاع تشغيل متعددة، منها الاستدلال والتحقق والتدريب والتصدير، ما يسهّل استخدامها في مختلف مراحل النشر والتطوير.
| النموذج | أسماء الملفات | المهمة | التدريب | التحقق | الاستدلال | التصدير |
|---|---|---|---|---|---|---|
| YOLOv8 | yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt | الكشف | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-seg | yolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt | تجزئة الكائنات | ✅ | ✅ | ✅ | ✅ |
| 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 | الوضعية/النقاط المفتاحية | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-obb | yolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt | الكشف الموجّه | ✅ | ✅ | ✅ | ✅ |
يقدّم هذا الجدول نظرة عامة على إصدارات نموذج YOLOv8، موضحًا مدى ملاءمتها لمهام محددة وتوافقها مع أوضاع تشغيل متعددة، مثل الاستدلال والتحقق والتدريب والتصدير. كما يبيّن تعدد استخدامات سلسلة YOLOv8 ومتانتها، ما يجعلها مناسبة لمجموعة متنوعة من التطبيقات في الرؤية الحاسوبية.
مقاييس الأداء#
راجع وثائق الكشف للاطلاع على أمثلة استخدام هذه النماذج المدرّبة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقًا.
أمثلة على استخدام YOLOv8#
يقدّم هذا المثال أمثلة مبسطة على تدريب YOLOv8 والاستدلال به. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ والتدريب والتحقق والتصدير ضمن الأوضاع.
لاحظ أن المثال أدناه مخصص لنماذج YOLOv8 للكشف عن الكائنات. للاطلاع على المهام المدعومة الأخرى، راجع وثائق التجزئة والتصنيف والوضعيات وOBB.
يمكن تمرير نماذج *.pt المدربة مسبقًا من PyTorch، وكذلك ملفات الإعداد *.yaml، إلى الصنف YOLO() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# تحميل نموذج YOLOv8n مدرّب مسبقًا على COCO
model = YOLO("yolov8n.pt")
# عرض معلومات النموذج (اختياري)
model.info()
# تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# إجراء الاستدلال بنموذج YOLOv8n على الصورة 'bus.jpg'
results = model("path/to/bus.jpg")الاستشهادات والشكر والتقدير#
لم تنشر Ultralytics ورقة بحثية رسمية عن YOLOv8 نظرًا إلى التطور السريع للنماذج. نركّز على تطوير التقنية وتسهيل استخدامها بدلًا من إعداد وثائق ثابتة. للاطلاع على أحدث المعلومات حول بنية YOLO وميزاته واستخدامه، يُرجى الرجوع إلى مستودع GitHub والوثائق.
إذا استخدمت نموذج YOLOv8 أو أي برنامج آخر من هذا المستودع في عملك، فيُرجى الاستشهاد به بالتنسيق التالي:
@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}
}يُرجى ملاحظة أن DOI قيد الانتظار، وسيُضاف إلى الاستشهاد عند توفره. تُوفّر نماذج YOLOv8 بموجب ترخيصي AGPL-3.0 والمؤسسات.
الأسئلة الشائعة#
صُمم YOLOv8 لتحسين أداء كشف الكائنات في الوقت الفعلي بفضل ميزاته المتقدمة. وعلى خلاف الإصدارات السابقة، يتضمن YOLOv8 رأس Ultralytics المنفصل والخالي من المراسي، وبنيتي عمود فقري وعنق متطورتين، كما يوفّر موازنة محسّنة بين الدقة والسرعة، ما يجعله مثاليًا لتطبيقات متنوعة. لمزيد من التفاصيل، راجع قسمي نظرة عامة والميزات الرئيسية.
يدعم YOLOv8 مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك كشف الكائنات وتجزئة المثيلات والتصنيف وكشف الوضعيات/النقاط المفتاحية وكشف الكائنات الموجّهة. حُسّن كل إصدار من النماذج لمهمته المحددة، ويتوافق مع أوضاع تشغيل متعددة مثل الاستدلال والتحقق والتدريب والتصدير. راجع قسم المهام والأوضاع المدعومة لمزيد من المعلومات.
تحقق نماذج YOLOv8 أداءً متطورًا على مجموعات بيانات معيارية متنوعة. فعلى سبيل المثال، يحقق نموذج YOLOv8n متوسط الدقة (mAP) بمقدار 37.3 على مجموعة بيانات COCO، وسرعة قدرها 0.99 مللي ثانية على A100 TensorRT. ويمكن العثور على مقاييس الأداء التفصيلية لكل إصدار من النماذج عبر مختلف المهام ومجموعات البيانات في قسم مقاييس الأداء.
يمكن تدريب نموذج YOLOv8 باستخدام Python أو CLI. فيما يلي أمثلة على تدريب نموذج باستخدام YOLOv8 المدرّب مسبقًا على COCO على مجموعة بيانات COCO8 لمدة 100 حقبة:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLOv8n مدرّب مسبقًا على COCO model = YOLO("yolov8n.pt") # تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة results = model.train(data="coco8.yaml", epochs=100, imgsz=640)لمزيد من التفاصيل، تفضل بزيارة وثائق التدريب.
نعم، يمكن قياس أداء نماذج YOLOv8 من حيث السرعة والدقة عبر تنسيقات تصدير متعددة. ويمكنك استخدام PyTorch وONNX وTensorRT وغيرها لإجراء القياس. فيما يلي أمثلة على أوامر قياس الأداء باستخدام Python وCLI:
مثالfrom ultralytics.utils.benchmarks import benchmark # قياس الأداء على GPU benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)لمزيد من المعلومات، راجع قسم مقاييس الأداء.