Ultralytics YOLOv8

Visión general

YOLOv8 es la última iteración de la serie YOLO de detectores de objetos en tiempo real, que ofrece un rendimiento puntero en términos de precisión y velocidad. Basándose en los avances de las versiones anteriores de YOLO , YOLOv8 introduce nuevas funciones y optimizaciones que lo convierten en la opción ideal para diversas tareas de detección de objetos en una amplia gama de aplicaciones.

Observa: Ultralytics YOLOv8 Resumen del modelo

Características principales

• Arquitecturas avanzadas de columna vertebral y cuello: YOLOv8 emplea arquitecturas de columna vertebral y cuello de última generación, lo que mejora la extracción de características y el rendimiento de la detección de objetos.
• Cabezal dividido sin anclajes Ultralytics : YOLOv8 adopta un cabezal dividido sin anclajes Ultralytics , que contribuye a una mayor precisión y a un proceso de detección más eficaz en comparación con los enfoques basados en anclajes.
• Compromiso optimizado entre precisión y velocidad: Centrado 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 a 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 diversa gama de modelos, cada uno especializado para tareas específicas en visión por ordenador. Estos modelos están diseñados para satisfacer distintos requisitos, desde la detección de objetos hasta tareas más complejas como la segmentación de instancias, la detección de poses/puntos clave, la detección de objetos orientados y la 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 varios modos operativos, como Inferencia, Validación, Entrenamiento y Exportación, lo que facilita su uso en distintas fases 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 diversos modos operativos, como Inferencia, Validación, Entrenamiento y Exportación. Muestra la versatilidad y robustez de la serie YOLOv8 , que las hace adecuadas para una gran variedad de aplicaciones en visión por ordenador.

Métricas de rendimiento

Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia de YOLOv8 . Para obtener documentación completa sobre estos y otros modos, consulta las páginas de documentación Predecir, Entrenar, Val y Exportar.

Ten en cuenta que el ejemplo siguiente es para los modelos YOLOv8 Detectar para la detección de objetos. Para otras tareas compatibles, consulta los documentos Segmentar, Clasificar, 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")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Citas y agradecimientos

Si utilizas el modelo YOLOv8 o cualquier otro software de este repositorio en tu trabajo, por favor, 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 cuando esté disponible. Los modelos YOLOv8 se facilitan con las licencias AGPL-3.0 y Enterprise.

PREGUNTAS FRECUENTES

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

YOLOv8 es la última iteración de la serie Ultralytics YOLO , diseñada para mejorar el rendimiento de la detección de objetos en tiempo real con funciones avanzadas. A diferencia de las versiones anteriores, YOLOv8 incorpora un cabezal dividido sin anclajes Ultralytics , arquitecturas de columna vertebral y cuello de última generación, y ofrece una relación precisión-velocidad optimizada, por lo que resulta ideal para diversas aplicaciones. Para más detalles, consulta las secciones Visión general y Características principales.

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

YOLOv8 admite una amplia gama de tareas de visión por ordenador, como la detección de objetos, la segmentación de instancias, la detección de poses/puntos clave, la detección de objetos orientados y la clasificación. Cada variante del modelo está optimizada para su tarea específica y es compatible con diversos 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 ?

YOLOv8 alcanzan un rendimiento puntero en varios conjuntos de datos de evaluación comparativa. Por ejemplo, el modelo YOLOv8n alcanza una mAP (Precisión Media Media) de 37,3 en el conjunto de datos COCO y una velocidad de 0,99 ms en A100 TensorRT. Puedes encontrar métricas de rendimiento detalladas para cada variante del modelo en diferentes tareas y conjuntos de datos en la sección Métricas de rendimiento.

¿Cómo entreno un modelo YOLOv8 ?

El entrenamiento de un modelo YOLOv8 puede realizarse utilizando Python o CLI. A continuación se muestran ejemplos de entrenamiento de un modelo utilizando un modelo YOLOv8 preentrenado con COCO en 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)

yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

Para más detalles, visita la documentación sobre Formación.

¿Puedo comparar el rendimiento de los modelos YOLOv8 ?

Sí, los modelos YOLOv8 pueden someterse a pruebas de rendimiento en términos de velocidad y precisión en varios formatos de exportación. Puedes utilizar PyTorch, ONNX, TensorRT, y otros más para la evaluación comparativa. A continuación se muestran comandos de ejemplo para la evaluación comparativa utilizando Python y CLI:

from ultralytics.utils.benchmarks import benchmark

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

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Para más información, consulta la sección Métricas de rendimiento.

📅 C reado hace 1 año ✏️ Actualizado hace 13 días

Comentarios