Explora Ultralytics YOLOv8

Descripción general

YOLOv8 fue lanzado por Ultralytics el 10 de enero de 2023, ofreciendo un rendimiento de vanguardia en cuanto a precisión y velocidad. Sobre la base de los avances de versiones anteriores de YOLO, YOLOv8 introdujo nuevas funcionalidades y optimizaciones que lo convierten en una opción ideal para diversas tareas de detección de objetos en una amplia gama de aplicaciones.

Características clave de YOLOv8

• Arquitecturas de backbone y neck avanzadas: YOLOv8 emplea arquitecturas de backbone y neck de última generación, lo que resulta en un rendimiento mejorado de extracción de características y detección de objetos.
• Head Ultralytics dividido sin anclas: YOLOv8 adopta un head Ultralytics dividido sin anclas, lo que contribuye a una mayor precisión y a un proceso de detección más eficiente en comparación con los enfoques basados en anclas.
• Equilibrio optimizado entre precisión y velocidad: Con un enfoque en mantener un equilibrio óptimo entre precisión y velocidad, YOLOv8 es adecuado para tareas de detección de objetos en tiempo real en diversas áreas de aplicación.
• Variedad de modelos preentrenados: YOLOv8 ofrece una gama de modelos preentrenados para atender diversas tareas y requisitos de rendimiento, lo que facilita encontrar el modelo adecuado para tu caso de uso específico.

Tareas y modos admitidos

La serie YOLOv8 ofrece una gama diversa de modelos, cada uno especializado para tareas específicas en visión artificial. Estos modelos están diseñados para cubrir varios requisitos, desde la detección de objetos hasta tareas más complejas como la segmentación de instancias, detección de poses/keypoints, detección de objetos orientados y clasificación.

Cada variante de la serie YOLOv8 está optimizada para su tarea respectiva, lo que garantiza un alto rendimiento y precisión. Además, estos modelos son compatibles con diversos modos operativos, incluidos Inferencia, Validación, Entrenamiento y Exportación, lo que facilita su uso en diferentes etapas de despliegue y desarrollo.

Esta tabla proporciona una visión general de las variantes del modelo YOLOv8, destacando su aplicabilidad en tareas específicas y su compatibilidad con varios modos operativos como Inferencia, Validación, Entrenamiento y Exportación. Muestra la versatilidad y robustez de la serie YOLOv8, haciéndolos adecuados para una variedad de aplicaciones en visión artificial.

Métricas de rendimiento

Ejemplos de uso de YOLOv8

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia con YOLOv8. Para obtener la documentación completa sobre estos y otros modos, consulta las páginas de documentación de Predict, Train, Val y Export.

Ten en cuenta que el ejemplo siguiente es para modelos de YOLOv8 Detect para detección de objetos. Para otras tareas compatibles, consulta la documentación de Segment, Classify, OBB y 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")

Citas y reconocimientos

Si utilizas el modelo YOLOv8 o cualquier otro software de este repositorio en tu trabajo, cítalo utilizando el siguiente formato:

@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}
}

Ten en cuenta que el DOI está pendiente y se añadirá a la cita una vez que esté disponible. Los modelos de YOLOv8 se proporcionan bajo licencias AGPL-3.0 y Enterprise.

Preguntas frecuentes

¿Qué es YOLOv8 y en qué se diferencia de las versiones anteriores de YOLO?

YOLOv8 está diseñado para mejorar el rendimiento de la detección de objetos en tiempo real con características avanzadas. A diferencia de las versiones anteriores, YOLOv8 incorpora una cabecera Ultralytics dividida sin anclajes, arquitecturas de backbone y neck de última generación, y ofrece un compromiso optimizado entre precisión y velocidad, lo que lo hace ideal para diversas aplicaciones. Para obtener más detalles, consulta las secciones Información general y Características clave.

¿Cómo puedo utilizar YOLOv8 para diferentes tareas de visión artificial?

YOLOv8 admite una amplia gama de tareas de visión artificial, incluidas la detección de objetos, la segmentación de instancias, la detección de poses/puntos clave, la detección de objetos orientados y la clasificación. Cada variante de modelo está optimizada para su tarea específica y es compatible con varios modos operativos como Inferencia, Validación, Entrenamiento y Exportación. Consulta la sección Tareas y modos compatibles para obtener más información.

¿Cuáles son las métricas de rendimiento de los modelos YOLOv8?

Los modelos de YOLOv8 logran un rendimiento de vanguardia en diversos conjuntos de datos de referencia. Por ejemplo, el modelo YOLOv8n alcanza una mAP (precisión media) de 37.3 en el conjunto de datos COCO y una velocidad de 0.99 ms en A100 TensorRT. Las métricas de rendimiento detalladas para cada variante de modelo en diferentes tareas y conjuntos de datos se pueden encontrar en la sección Métricas de rendimiento.

¿Cómo entreno un modelo YOLOv8?

El entrenamiento de un modelo YOLOv8 puede realizarse utilizando Python o la CLI. A continuación, se muestran ejemplos para entrenar un modelo utilizando un modelo YOLOv8 preentrenado en COCO sobre el conjunto de datos COCO8 durante 100 épocas:

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)

Para más detalles, visita la documentación de Entrenamiento.

¿Puedo comparar el rendimiento de los modelos YOLOv8?

Sí, el rendimiento de los modelos YOLOv8 se puede evaluar en términos de velocidad y precisión en varios formatos de exportación. Puedes utilizar PyTorch, ONNX, TensorRT y más para realizar comparativas. A continuación, se muestran comandos de ejemplo para realizar comparativas utilizando Python y la CLI:

from ultralytics.utils.benchmarks import benchmark

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

Para obtener información adicional, consulta la sección Métricas de rendimiento.