Entdecke Ultralytics YOLOv8#

Übersicht#

YOLOv8 wurde am 10. Januar 2023 von Ultralytics veröffentlicht und bietet eine Spitzenleistung in Bezug auf Genauigkeit und Geschwindigkeit. Aufbauend auf den Fortschritten früherer YOLO-Versionen führte YOLOv8 neue Funktionen und Optimierungen ein, die das Modell zur idealen Wahl für vielfältige Aufgaben der Objekterkennung in zahlreichen Anwendungsbereichen machen.

Wichtige Merkmale von YOLOv8#

• Moderne Backbone- und Neck-Architekturen: YOLOv8 verwendet hochmoderne Backbone- und Neck-Architekturen, die zu einer verbesserten Merkmalsextraktion und einer höheren Leistung bei der Objekterkennung führen.
• Ankerfreier, geteilter Ultralytics-Head: YOLOv8 verwendet einen ankerfreien, geteilten Ultralytics-Head, der im Vergleich zu anskerbasierten Ansätzen zu einer höheren 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 große Auswahl an Modellen, die jeweils auf bestimmte Aufgaben der Computer Vision spezialisiert sind. Die Modelle decken verschiedene Anforderungen ab – von der Objekterkennung bis hin zu komplexeren Aufgaben wie der Instanzsegmentierung, Klassifizierung, Pose-/Schlüsselpunkterkennung und Erkennung orientierter Objekte.

Jede Variante der YOLOv8-Reihe ist für ihre jeweilige Aufgabe optimiert und bietet dadurch hohe Leistung und Genauigkeit. Außerdem sind diese Modelle mit verschiedenen Betriebsmodi kompatibel, darunter Inferenz, Validierung, Training und Export. So lassen sie sich in verschiedenen Phasen der Bereitstellung und Entwicklung einsetzen.

Diese Tabelle gibt einen Überblick über die YOLOv8-Modellvarianten, ihre Eignung für bestimmte Aufgaben und ihre Kompatibilität mit verschiedenen Betriebsmodi wie Inferenz, Validierung, Training und Export. Sie veranschaulicht die Vielseitigkeit und Robustheit der YOLOv8-Reihe und macht deutlich, dass sich die Modelle für zahlreiche Anwendungen in der Computer Vision eignen.

Leistungskennzahlen#

YOLOv8-Anwendungsbeispiele#

Dieses Beispiel zeigt einfache Beispiele für Training und Inferenz mit YOLOv8. Die vollständige Dokumentation zu diesen und weiteren Modi findest du auf den Dokumentationsseiten zu Vorhersage, Training, Validierung und Export.

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.

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#

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}
}

Beachte, dass die DOI noch aussteht und der Quellenangabe hinzugefügt wird, sobald sie verfügbar ist. YOLOv8-Modelle werden unter den Lizenzen AGPL-3.0 und Enterprise bereitgestellt.

Häufig gestellte Fragen#