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 .

التعليقات