Link to this sectionErkunde Ultralytics YOLOv8#

Link to this sectionÜbersicht#

YOLOv8 wurde am 10. Januar 2023 von Ultralytics veröffentlicht und bietet modernste Leistung in Bezug auf Genauigkeit und Geschwindigkeit. Basierend auf den Fortschritten früherer YOLO-Versionen führte YOLOv8 neue Funktionen und Optimierungen ein, die es zur idealen Wahl für verschiedene Objekterkennungs-Aufgaben in einer Vielzahl von Anwendungen machen.

Link to this sectionHauptfunktionen von YOLOv8#

• Fortschrittliche Backbone- und Neck-Architekturen: YOLOv8 verwendet modernste Backbone- und Neck-Architekturen, was zu einer verbesserten Merkmalsextraktions- und Objekterkennungsleistung 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.

Link to this sectionUnterstützte Aufgaben und Modi#

Die YOLOv8-Serie bietet eine vielfältige Auswahl an Modellen, die jeweils auf spezifische Aufgaben im Bereich Computer Vision spezialisiert sind. Diese Modelle sind darauf ausgelegt, verschiedene Anforderungen zu erfüllen, von der Objekterkennung bis hin zu komplexeren Aufgaben wie Instanzsegmentierung, Pose-/Keypoints-Erkennung, orientierte Objekterkennung und Klassifizierung.

Jede Variante der YOLOv8-Serie ist für ihre jeweilige Aufgabe optimiert, um eine hohe Leistung und Genauigkeit zu gewährleisten. Zudem sind diese Modelle mit verschiedenen operativen Modi kompatibel, einschließlich Inferenz, Validierung, Training und Export, was ihren Einsatz in verschiedenen Phasen der Bereitstellung und Entwicklung erleichtert.

Diese Tabelle bietet einen Überblick über die YOLOv8-Modellvarianten und hebt deren Anwendbarkeit bei spezifischen Aufgaben sowie ihre Kompatibilität mit verschiedenen operativen Modi wie Inferenz, Validierung, 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.

Link to this sectionLeistungsmetriken#

Link to this sectionYOLOv8 Anwendungsbeispiele#

Dieses Beispiel bietet einfache Beispiele für das Training und die Inferenz mit YOLOv8. Für die vollständige Dokumentation zu diesen und anderen Modi siehe die Dokumentationsseiten zu Predict, Train, Val und Export.

Beachte, dass das folgende Beispiel für YOLOv8 Detect-Modelle zur Objekterkennung gilt. Für weitere unterstützte Aufgaben siehe die Dokumentation zu Segment, Classify, OBB und Pose.

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")

Link to this sectionZitate 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 die DOI noch aussteht und der Zitation hinzugefügt wird, sobald sie verfügbar ist. YOLOv8-Modelle werden unter AGPL-3.0 und Enterprise Lizenzen bereitgestellt.

Link to this sectionFAQ#

Link to this sectionWas ist YOLOv8 und wie unterscheidet es sich von früheren YOLO-Versionen?#

YOLOv8 wurde entwickelt, um die Echtzeit-Objekterkennungsleistung mit erweiterten Funktionen zu verbessern. Im Gegensatz zu früheren Versionen enthält YOLOv8 einen ankerfreien, geteilten Ultralytics-Head, modernste Backbone- und Neck-Architekturen und bietet ein optimiertes Gleichgewicht zwischen Genauigkeit und Geschwindigkeit, was es ideal für diverse Anwendungen macht. Weitere Details findest du in den Abschnitten Übersicht und Hauptmerkmale.

Link to this sectionWie kann ich YOLOv8 für verschiedene Computer-Vision-Aufgaben verwenden?#

YOLOv8 unterstützt eine breite Palette an Computer-Vision-Aufgaben, einschließlich Objekterkennung, Instanzsegmentierung, Pose-/Keypoint-Erkennung, orientierte Objekterkennung und Klassifizierung. Jede Modellvariante ist für ihre spezifische Aufgabe optimiert und mit verschiedenen Betriebsmodi wie Inferenz, Validierung, Training und Export kompatibel. Weitere Informationen findest du im Abschnitt Unterstützte Aufgaben und Modi.

Link to this sectionWas sind die Leistungsmetriken für YOLOv8-Modelle?#

YOLOv8-Modelle erzielen über verschiedene Benchmark-Datensätze hinweg erstklassige Leistungen. Beispielsweise erreicht das YOLOv8n-Modell eine mAP (mean Average Precision) von 37,3 auf dem COCO-Datensatz und eine Geschwindigkeit von 0,99 ms auf A100 TensorRT. Detaillierte Leistungsmetriken für jede Modellvariante über verschiedene Aufgaben und Datensätze hinweg findest du im Abschnitt Leistungsmetriken.

Link to this sectionWie trainiere ich ein YOLOv8-Modell?#

Das Training eines YOLOv8-Modells kann entweder mit Python oder über die CLI durchgeführt werden. Nachfolgend findest du Beispiele für das Training eines Modells unter Verwendung eines COCO-vortrainierten YOLOv8-Modells auf dem COCO8-Datensatz für 100 Epochen:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Weitere Details findest du in der Training-Dokumentation.

Link to this sectionKann ich YOLOv8-Modelle auf Leistung benchen?#

Ja, YOLOv8-Modelle können hinsichtlich Geschwindigkeit und Genauigkeit über verschiedene Exportformate hinweg gebenched werden. Du kannst PyTorch, ONNX, TensorRT und mehr für Benchmarks verwenden. Nachfolgend findest du Beispielbefehle für Benchmarks mit Python und CLI:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)

Weitere Informationen findest du im Abschnitt Leistungsmetriken.