YOLOv8
نظره عامه
YOLOv8 هو أحدث تكرار في YOLO سلسلة من أجهزة الكشف عن الأشياء في الوقت الفعلي ، تقدم أداء متطورا من حيث الدقة والسرعة. البناء على التطورات السابقة YOLO الاصدارات YOLOv8 يقدم ميزات وتحسينات جديدة تجعله خيارا مثاليا لمهام اكتشاف الكائنات المختلفة في مجموعة واسعة من التطبيقات.
شاهد: Ultralytics YOLOv8 نظرة عامة على النموذج
الميزات الرئيسية
- بنى العمود الفقري والرقبة المتقدمة: YOLOv8 يستخدم أحدث معماريات العمود الفقري والرقبة ، مما يؤدي إلى تحسين استخراج الميزات وأداء اكتشاف الكائنات.
- انقسام خال من المرساة Ultralytics رأس: YOLOv8 يعتمد انقساما خاليا من المرساة Ultralytics HEAD ، مما يساهم في دقة أفضل وعملية كشف أكثر كفاءة مقارنة بالنهج القائمة على المرساة.
- مقايضة الدقة والسرعة المحسنة: مع التركيز على الحفاظ على التوازن الأمثل بين الدقة والسرعة ، YOLOv8 مناسب لمهام الكشف عن الكائنات في الوقت الفعلي في مجالات التطبيق المتنوعة.
- مجموعة متنوعة من النماذج المدربة مسبقا: YOLOv8 يقدم مجموعة من الطرز المدربة مسبقا لتلبية المهام المختلفة ومتطلبات الأداء ، مما يسهل العثور على النموذج المناسب لحالة الاستخدام الخاصة بك.
المهام والأوضاع المدعومة
ال YOLOv8 تقدم مجموعة متنوعة من النماذج ، كل منها متخصص في مهام محددة في رؤية الكمبيوتر. تم تصميم هذه النماذج لتلبية المتطلبات المختلفة ، من اكتشاف الكائنات إلى المهام الأكثر تعقيدا مثل تجزئة المثيل ، واكتشاف الوضع / النقاط الرئيسية ، واكتشاف الكائنات الموجهة ، والتصنيف.
كل متغير من YOLOv8 تم تحسين السلسلة لمهمة كل منها ، مما يضمن الأداء العالي والدقة. بالإضافة إلى ذلك ، تتوافق هذه النماذج مع أوضاع تشغيلية مختلفة بما في ذلك الاستدلال والتحقق من الصحة والتدريب والتصدير ، مما يسهل استخدامها في مراحل مختلفة من النشر والتطوير.
نموذج | اسماء | مهمة | استدلال | التحقق | تدريب | تصدير |
---|---|---|---|---|---|---|
YOLOv8 | yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt |
الكشف | ✅ | ✅ | ✅ | ✅ |
YOLOv8-ثواني | yolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt |
تجزئة المثيل | ✅ | ✅ | ✅ | ✅ |
YOLOv8-تشكل | yolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.pt |
وضعية / النقاط الرئيسية | ✅ | ✅ | ✅ | ✅ |
YOLOv8-أوب | yolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt |
الكشف الموجه | ✅ | ✅ | ✅ | ✅ |
YOLOv8-سي إل إس | yolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.pt |
تصنيف | ✅ | ✅ | ✅ | ✅ |
يقدم هذا الجدول لمحة عامة عن YOLOv8 متغيرات النموذج ، مع إبراز قابليتها للتطبيق في مهام محددة وتوافقها مع أوضاع التشغيل المختلفة مثل الاستدلال والتحقق من الصحة والتدريب والتصدير. يعرض براعة ومتانة YOLOv8 سلسلة ، مما يجعلها مناسبة لمجموعة متنوعة من التطبيقات في رؤية الكمبيوتر.
مقاييس الأداء
اداء
راجع مستندات الكشف للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فصلا مدربا مسبقا.
نموذج | حجم (بكسل) |
خريطةفال 50-95 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|
YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
راجع مستندات الكشف للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على Open Image V7 ، والتي تتضمن 600 فصل دراسي مدرب مسبقا.
نموذج | حجم (بكسل) |
خريطةفال 50-95 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|
YOLOv8n | 640 | 18.4 | 142.4 | 1.21 | 3.5 | 10.5 |
YOLOv8s | 640 | 27.7 | 183.1 | 1.40 | 11.4 | 29.7 |
YOLOv8m | 640 | 33.6 | 408.5 | 2.26 | 26.2 | 80.6 |
YOLOv8l | 640 | 34.9 | 596.9 | 2.43 | 44.1 | 167.4 |
YOLOv8x | 640 | 36.3 | 860.6 | 3.56 | 68.7 | 260.6 |
راجع مستندات التقسيم للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فصلا مدربا مسبقا.
نموذج | حجم (بكسل) |
خريطةتابوت 50-95 |
خريطةقناع 50-95 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|---|
YOLOv8n-ثواني | 640 | 36.7 | 30.5 | 96.1 | 1.21 | 3.4 | 12.6 |
YOLOv8s-ثواني | 640 | 44.6 | 36.8 | 155.7 | 1.47 | 11.8 | 42.6 |
YOLOv8m-ثواني | 640 | 49.9 | 40.8 | 317.0 | 2.18 | 27.3 | 110.2 |
YOLOv8l-ثواني | 640 | 52.3 | 42.6 | 572.4 | 2.79 | 46.0 | 220.5 |
YOLOv8x-ثواني | 640 | 53.4 | 43.4 | 712.1 | 4.02 | 71.8 | 344.1 |
راجع مستندات التصنيف للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على ImageNet ، والتي تتضمن 1000 فئة مدربة مسبقا.
نموذج | حجم (بكسل) |
لجنه التنسيق الاداريه أعلى 1 |
لجنه التنسيق الاداريه أعلى 5 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) عند 640 |
---|---|---|---|---|---|---|---|
YOLOv8n-سي إل إس | 224 | 69.0 | 88.3 | 12.9 | 0.31 | 2.7 | 4.3 |
YOLOv8s-سي إل إس | 224 | 73.8 | 91.7 | 23.4 | 0.35 | 6.4 | 13.5 |
YOLOv8m-سي إل إس | 224 | 76.8 | 93.5 | 85.4 | 0.62 | 17.0 | 42.7 |
YOLOv8l-سي إل إس | 224 | 76.8 | 93.5 | 163.0 | 0.87 | 37.5 | 99.7 |
YOLOv8x-سي إل إس | 224 | 79.0 | 94.6 | 232.0 | 1.01 | 57.4 | 154.8 |
راجع مستندات تقدير الوضع للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO ، والتي تتضمن 1 فئة مدربة مسبقا ، "شخص".
نموذج | حجم (بكسل) |
خريطةتشكل 50-95 |
خريطةتشكل 50 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|---|
YOLOv8n-تشكل | 640 | 50.4 | 80.1 | 131.8 | 1.18 | 3.3 | 9.2 |
YOLOv8s-تشكل | 640 | 60.0 | 86.2 | 233.2 | 1.42 | 11.6 | 30.2 |
YOLOv8m-تشكل | 640 | 65.0 | 88.8 | 456.3 | 2.00 | 26.4 | 81.0 |
YOLOv8l-تشكل | 640 | 67.6 | 90.0 | 784.5 | 2.59 | 44.4 | 168.6 |
YOLOv8x-تشكل | 640 | 69.2 | 90.2 | 1607.1 | 3.73 | 69.4 | 263.2 |
YOLOv8x-بوز-ص6 | 1280 | 71.6 | 91.2 | 4088.7 | 10.04 | 99.1 | 1066.4 |
راجع مستندات الكشف الموجهة للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على DOTAv1، والتي تتضمن 15 فصلا مدربا مسبقا.
نموذج | حجم (بكسل) |
خريطةاختبر 50 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|
YOLOv8n-أوب | 1024 | 78.0 | 204.77 | 3.57 | 3.1 | 23.3 |
YOLOv8s-أوب | 1024 | 79.5 | 424.88 | 4.07 | 11.4 | 76.3 |
YOLOv8m-أوب | 1024 | 80.5 | 763.48 | 7.61 | 26.4 | 208.6 |
YOLOv8l-أوب | 1024 | 80.7 | 1278.42 | 11.83 | 44.5 | 433.8 |
YOLOv8x-أوب | 1024 | 81.36 | 1759.10 | 13.23 | 69.5 | 676.7 |
أمثلة الاستخدام
يوفر هذا المثال بسيطا YOLOv8 أمثلة التدريب والاستدلال. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها ، راجع صفحات مستندات التنبؤ والتدريب وVal والتصدير.
لاحظ أن المثال أدناه مخصص ل YOLOv8 كشف نماذج للكشف عن الكائنات. للحصول على مهام إضافية مدعومة، راجع مستندات التقسيم والتصنيف وOBB ومستندات الوضع .
مثل
PyTorch التدريب المسبق *.pt
النماذج وكذلك التكوين *.yaml
يمكن تمرير الملفات إلى ملف YOLO()
فئة 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')
CLI تتوفر الأوامر لتشغيل النماذج مباشرة:
الاستشهادات والشكر
إذا كنت تستخدم YOLOv8 نموذج أو أي برنامج آخر من هذا المستودع في عملك ، يرجى الاستشهاد به باستخدام التنسيق التالي:
يرجى ملاحظة أن DOI معلق وستتم إضافته إلى الاقتباس بمجرد توفره. YOLOv8 يتم توفير النماذج تحت AGPL-3.0 وتراخيص المؤسسات .
تم إنشاء 2023-11-12, اخر تحديث 2024-04-17
المؤلفون: جلين جوشر (12) ، يضحك س (2) ، أيوشكسيل (1) ، فكاكيون (1)