انتقل إلى المحتوى

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.

Ultralytics YOLOv8



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:

# 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 .



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (15), Burhan-Q (1), Laughing-q (2), AyushExel (1), fcakyon (1)

التعليقات