Entdecke Ultralytics YOLOv8#
Übersicht#
YOLOv8 wurde am 10. Januar 2023 von Ultralytics veröffentlicht und bietet eine bessere Genauigkeit und Geschwindigkeit als frühere YOLO-Versionen. Aufbauend auf diesen Versionen führte YOLOv8 neue Funktionen und Optimierungen ein, die das Modell zu einer überzeugenden Wahl für die Objekterkennung und andere Vision-Aufgaben in verschiedensten Anwendungsbereichen machten. Für neue Projekte empfiehlt Ultralytics YOLO26.
Ansehen: Überblick über das Ultralytics-YOLOv8-Modell
Entdecke und nutze YOLOv8-Modelle direkt auf der Ultralytics Platform.
Wichtige Merkmale von YOLOv8#
- Fortschrittliche Backbone- und Neck-Architekturen: YOLOv8 nutzt hochmoderne Backbone- und Neck-Architekturen. Dadurch verbessern sich die Merkmalsextraktion und die Leistung bei der Objekterkennung.
- Getrennter, anchorfreier Ultralytics-Kopf: YOLOv8 verwendet einen getrennten, anchorfreien Ultralytics-Kopf, der im Vergleich zu anchorbasierten Ansätzen zu höherer Genauigkeit und einem effizienteren Erkennungsprozess beiträgt.
- Optimales Verhältnis von Genauigkeit und Geschwindigkeit: Durch den Fokus auf ein optimales Gleichgewicht zwischen Genauigkeit und Geschwindigkeit eignet sich YOLOv8 für Objekterkennungsaufgaben in Echtzeit und vielfältigen Anwendungsbereichen.
- Vielfältige vortrainierte Modelle: YOLOv8 bietet eine Auswahl vortrainierter Modelle für verschiedene Aufgaben und Leistungsanforderungen. So findest du leichter das passende Modell für deinen konkreten Anwendungsfall.
Unterstützte Aufgaben und Modi#
Die YOLOv8-Reihe bietet eine vielfältige Auswahl an Modellen, die jeweils auf bestimmte Aufgaben im Bereich Computer Vision spezialisiert sind. Sie decken unterschiedliche Anforderungen ab – von der Objekterkennung bis hin zu komplexeren Aufgaben wie Instanzsegmentierung, Klassifizierung, Erkennung von Posen und Schlüsselpunkten sowie orientierter Objekterkennung.
Jede Variante der YOLOv8-Reihe ist für ihre jeweilige Aufgabe optimiert. Alle Varianten unterstützen die Modi Training, Validierung, Inferenz und Export und decken so alle Phasen von der Entwicklung bis zur Bereitstellung ab.
| Modell | Dateinamen | Aufgabe | Training | Validierung | Inferenz | Exportieren |
|---|---|---|---|---|---|---|
| YOLOv8 | yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt | Erkennung | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-seg | yolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt | Instanzsegmentierung | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-cls | yolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.pt | Klassifizierung | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-pose | yolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.pt | Pose/Schlüsselpunkte | ✅ | ✅ | ✅ | ✅ |
| YOLOv8-obb | yolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt | Erkennung orientierter Objekte | ✅ | ✅ | ✅ | ✅ |
Diese Tabelle fasst die YOLOv8-Modellvarianten, die jeweilige Aufgabe und die Unterstützung der Modi Training, Validierung, Inferenz und Export zusammen.
Leistungskennzahlen#
Unter Dokumentation zur Erkennung findest du Anwendungsbeispiele für diese mit COCO trainierten Modelle, die 80 vortrainierte Klassen umfassen.
YOLOv8-Anwendungsbeispiele#
Dieses Beispiel enthält einfache Beispiele für das Training und die Inferenz mit YOLOv8.
Das folgende Beispiel gilt für YOLOv8-Modelle zur Erkennung von Objekten. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segmentierung, Klassifizierung, Pose und OBB.
Vortrainierte PyTorch-Modelle *.pt sowie Konfigurationsdateien *.yaml kannst du an die Klasse YOLO() übergeben, um eine Modellinstanz in Python zu erstellen:
from ultralytics import YOLO
# Ein mit COCO vortrainiertes YOLOv8n-Modell laden
model = YOLO("yolov8n.pt")
# Modellinformationen anzeigen (optional)
model.info()
# Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Mit dem YOLOv8n-Modell eine Inferenz auf dem Bild 'bus.jpg' ausführen
results = model("path/to/bus.jpg")Zitate und Danksagungen#
Ultralytics hat aufgrund der rasanten Weiterentwicklung der Modelle kein formelles Forschungspapier zu YOLOv8 veröffentlicht. Unser Fokus liegt darauf, die Technologie weiterzuentwickeln und ihre Nutzung zu erleichtern, statt statische Dokumentation zu erstellen. Die aktuellsten Informationen zur YOLO-Architektur, zu Funktionen und zur Verwendung findest du in unserem GitHub-Repository und in unserer Dokumentation.
Wenn du das YOLOv8-Modell oder andere Software aus diesem Repository in deiner Arbeit verwendest, zitiere sie bitte im folgenden Format:
@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}
}YOLOv8-Modelle werden unter den Lizenzen AGPL-3.0 und Enterprise angeboten.
Häufig gestellte Fragen#
YOLOv8 wurde entwickelt, um die Leistung der Objekterkennung in Echtzeit zu verbessern. Anders als frühere Versionen verfügt YOLOv8 über einen ankerfreien, geteilten Ultralytics-Kopf und hochmoderne Backbone- und Neck-Architekturen. Außerdem bietet das Modell für vielfältige Anwendungen einen optimierten Kompromiss zwischen Genauigkeit und Geschwindigkeit.
YOLOv8 unterstützt zahlreiche Aufgaben der Bildverarbeitung, darunter Aufgaben wie Objekterkennung, Instanzsegmentierung, Klassifizierung, Erkennung von Posen und Schlüsselpunkten sowie Erkennung orientierter Objekte. Jede Modellvariante ist für ihre jeweilige Aufgabe optimiert und unterstützt die Modi Training, Validierung, Inferenz und Export.
YOLOv8-Modelle erzielten bei ihrer Veröffentlichung auf mehreren Benchmark-Datensätzen Ergebnisse auf dem neuesten Stand der Technik. So erreicht das Modell YOLOv8n auf dem COCO-Datensatz eine mittlere durchschnittliche Präzision (mAP) von 37,3 und auf A100 TensorRT eine Geschwindigkeit von 0,99 ms. Detaillierte Leistungskennzahlen der einzelnen Modellvarianten für verschiedene Aufgaben und Datensätze findest du im Abschnitt Leistungskennzahlen.
Du kannst ein YOLOv8-Modell entweder mit Python oder über die CLI trainieren. Nachfolgend findest du Beispiele für das Training eines mit COCO vortrainierten YOLOv8n-Modells auf dem Datensatz COCO8 über 100 Epochen:
Beispielfrom ultralytics import YOLO # Ein mit COCO vortrainiertes YOLOv8n-Modell laden model = YOLO("yolov8n.pt") # Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Weitere Einzelheiten findest du in der Trainingsdokumentation.
Ja, YOLOv8-Modelle lassen sich für Geschwindigkeit und Genauigkeit über verschiedene Exportformate wie PyTorch, ONNX und TensorRT benchmarken. Nachfolgend findest du Beispielbefehle für das Benchmarking mit Python und der CLI:
Beispielfrom ultralytics.utils.benchmarks import benchmark # Benchmark auf der GPU benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)Weitere Informationen findest du im Abschnitt Leistungskennzahlen.