Erkunde Ultralytics YOLOv8#

Übersicht#

YOLOv8 wurde am 10. Januar 2023 von Ultralytics veröffentlicht und bietet erstklassige Leistung in Bezug auf Genauigkeit und Geschwindigkeit. Aufbauend auf den Fortschritten früherer YOLO-Versionen führte YOLOv8 neue Funktionen und Optimierungen ein, die es zu einer idealen Wahl für verschiedene object detection-Aufgaben in einem breiten Anwendungsbereich machen.

Hauptfunktionen von YOLOv8#

• Fortschrittliche Backbone- und Neck-Architekturen: YOLOv8 verwendet hochmoderne Backbone- und Neck-Architekturen, was zu einer verbesserten Leistung bei der feature extraction und object detection führt.
• Ankerfreier, geteilter Ultralytics Head: YOLOv8 verwendet einen ankerfreien, geteilten Ultralytics Head, der im Vergleich zu ankerbasierten Ansätzen zu einer besseren Genauigkeit und einem effizienteren Erkennungsprozess beiträgt.
• Optimierter Genauigkeits-Geschwindigkeits-Kompromiss: Mit dem Fokus auf ein optimales Gleichgewicht zwischen Genauigkeit und Geschwindigkeit ist YOLOv8 für Echtzeit-Objekterkennungsaufgaben in diversen Anwendungsbereichen geeignet.
• Vielzahl an vortrainierten Modellen: YOLOv8 bietet eine Reihe von vortrainierten Modellen, um verschiedenen Aufgaben und Leistungsanforderungen gerecht zu werden, was es einfacher macht, das richtige Modell für deinen spezifischen Anwendungsfall zu finden.

Unterstützte Aufgaben und Modi#

Die YOLOv8-Serie bietet eine Vielzahl von Modellen, die jeweils auf bestimmte Aufgaben in der Computer Vision spezialisiert sind. Diese Modelle sind so konzipiert, dass sie verschiedene Anforderungen erfüllen, von der Objekterkennung bis hin zu komplexeren Aufgaben wie instance segmentation, Klassifizierung, Erfassung von Posen/Keypoints und gedrehter Objekterkennung.

Jede Variante der YOLOv8-Serie ist für ihre jeweilige Aufgabe optimiert, um hohe Leistung und Genauigkeit zu gewährleisten. Darüber hinaus sind diese Modelle mit verschiedenen Betriebsmodi wie Inference, Validation, Training und Export kompatibel, was ihre Verwendung in verschiedenen Phasen der Bereitstellung und Entwicklung erleichtert.

Diese Tabelle bietet eine Übersicht über die YOLOv8-Modellvarianten und hebt deren Anwendbarkeit für bestimmte Aufgaben sowie ihre Kompatibilität mit verschiedenen Betriebsmodi wie Inference, Validation, Training und Export hervor. Sie zeigt die Vielseitigkeit und Robustheit der YOLOv8-Serie, wodurch sie sich für eine Vielzahl von Anwendungen im Bereich computer vision eignet.

Leistungsmetriken#

YOLOv8 Anwendungsbeispiele#

Dieses Beispiel bietet einfache YOLOv8-Trainings- und Inferenzbeispiele. Vollständige Dokumentationen zu diesen und anderen modes findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.

Beachte, dass das folgende Beispiel für YOLOv8 Detect-Modelle zur Objekterkennung gilt. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segment, Classify, Pose und OBB.

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")

Zitate und Danksagungen#

Wenn du das YOLOv8-Modell oder andere Software aus diesem Repository in deiner Arbeit verwendest, zitiere es bitte unter Verwendung des folgenden Formats:

@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}
}

Bitte beachte, dass der DOI noch aussteht und nach seiner Verfügbarkeit zum Zitat hinzugefügt wird. YOLOv8-Modelle werden unter AGPL-3.0- und Enterprise-Lizenzen bereitgestellt.

FAQ#