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.

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

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 .

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")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

الاستشهادات والشكر

إذا كنت تستخدم YOLOv8 نموذج أو أي برنامج آخر من هذا المستودع في عملك ، يرجى الاستشهاد به باستخدام التنسيق 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}
}

يرجى ملاحظة أن DOI معلق وستتم إضافته إلى الاقتباس بمجرد توفره. YOLOv8 يتم توفير النماذج تحت AGPL-3.0 وتراخيص المؤسسات .

الأسئلة المتداولة

ما هو YOLOv8 وكيف يختلف عن الإصدارات السابقة YOLO ؟

YOLOv8 هو أحدث تكرار في سلسلة Ultralytics YOLO ، وهو مصمم لتحسين أداء الكشف عن الأجسام في الوقت الفعلي بميزات متقدمة. وخلافًا للإصدارات السابقة، يشتمل YOLOv8 على رأس Ultralytics منقسم بدون مثبت، وبنية العمود الفقري والرقبة الحديثة، ويوفر مفاضلة محسّنة بين الدقة والسرعة، مما يجعله مثاليًا للتطبيقات المتنوعة. لمزيد من التفاصيل، راجع قسمي نظرة عامة والميزات الرئيسية.

كيف يمكنني استخدام YOLOv8 في مهام الرؤية الحاسوبية المختلفة؟

YOLOv8 يدعم مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك اكتشاف الأجسام، وتجزئة النماذج، واكتشاف الوضع/النقاط الرئيسية، واكتشاف الأجسام الموجهة، والتصنيف. تم تحسين كل متغير نموذج لمهمته المحددة ومتوافق مع أوضاع تشغيلية مختلفة مثل الاستدلال والتحقق من الصحة والتدريب والتصدير. راجع قسم المهام والأوضاع المدعومة لمزيد من المعلومات.

ما هي مقاييس الأداء لنماذج YOLOv8 ؟

YOLOv8 تحقق النماذج أحدث أداء في مختلف مجموعات البيانات المعيارية. على سبيل المثال، يحقق النموذج YOLOv8n متوسط دقة mAP (متوسط متوسط الدقة) يبلغ 37.3 على مجموعة بيانات COCO وسرعة 0.99 مللي ثانية على A100 TensorRT. يمكن العثور على مقاييس الأداء التفصيلية لكل متغير نموذج عبر مهام ومجموعات بيانات مختلفة في قسم مقاييس الأداء.

كيف يمكنني تدريب نموذج YOLOv8 ؟

يمكن إجراء تدريب نموذج YOLOv8 باستخدام Python أو CLI. فيما يلي أمثلة لتدريب نموذج باستخدام نموذج YOLOv8 تم تدريبه مسبقًا على مجموعة بيانات COCO8 لـ 100 حلقة تدريبية:

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)

yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

لمزيد من التفاصيل، يرجى زيارة وثائق التدريب.

هل يمكنني قياس أداء النماذج YOLOv8 للأداء؟

نعم، يمكن قياس نماذج YOLOv8 لقياس الأداء من حيث السرعة والدقة عبر تنسيقات التصدير المختلفة. يمكنك استخدام PyTorch و ONNX و و TensorRT وغيرها لقياس الأداء. فيما يلي أمثلة لأوامر قياس الأداء باستخدام Python و CLI:

from ultralytics.utils.benchmarks import benchmark

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

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

للحصول على معلومات إضافية، راجع قسم مقاييس الأداء.

📅 Created 10 months ago ✏️ Updated 6 days ago

التعليقات