Découvre Ultralytics YOLOv8#

Présentation#

Ultralytics a lancé YOLOv8 le 10 janvier 2023, offrant des performances de pointe en matière de précision et de vitesse. S’appuyant sur les avancées des versions précédentes de YOLO, YOLOv8 a introduit de nouvelles fonctionnalités et optimisations qui en font un choix idéal pour diverses tâches de détection d’objets dans de nombreux domaines d’application.

Fonctionnalités clés de YOLOv8#

• Architectures avancées du backbone et du neck : YOLOv8 utilise des architectures de backbone et de neck de pointe, ce qui améliore les performances d’extraction de caractéristiques et de détection d’objets.
• Tête Ultralytics split sans ancres : YOLOv8 adopte une tête Ultralytics split sans ancres, ce qui contribue à une meilleure précision et à un processus de détection plus efficace que les approches avec ancres.
• Compromis précision-vitesse optimisé : En mettant l’accent sur un équilibre optimal entre précision et vitesse, YOLOv8 convient aux tâches de détection d’objets en temps réel dans divers domaines d’application.
• Diversité des modèles préentraînés : YOLOv8 propose un éventail de modèles préentraînés adaptés à différentes tâches et exigences de performance, ce qui facilite le choix du modèle approprié à ton cas d’utilisation.

Tâches et modes pris en charge#

La série YOLOv8 propose une gamme variée de modèles, chacun spécialisé dans des tâches spécifiques de vision par ordinateur. Ces modèles répondent à divers besoins, de la détection d’objets à des tâches plus complexes comme la segmentation d’instances, la classification, la détection de pose/de points clés et la détection d’objets orientés.

Chaque variante de la série YOLOv8 est optimisée pour sa tâche respective, ce qui garantit des performances et une précision élevées. De plus, ces modèles sont compatibles avec différents modes opérationnels, notamment l’inférence, la validation, l’entraînement et l’export, ce qui facilite leur utilisation aux différentes étapes du développement et du déploiement.

Ce tableau donne un aperçu des variantes de modèles YOLOv8, en présentant leur adéquation à des tâches spécifiques et leur compatibilité avec différents modes opérationnels, comme l’inférence, la validation, l’entraînement et l’export. Il illustre la polyvalence et la robustesse de la série YOLOv8, qui convient ainsi à diverses applications de vision par ordinateur.

Indicateurs de performance#

Exemples d’utilisation de YOLOv8#

Cet exemple présente des cas simples d’entraînement et d’inférence avec YOLOv8. Pour la documentation complète sur ces modes et d’autres modes, consulte les pages de documentation Prédiction, Entraînement, Validation et Export.

Note que l’exemple ci-dessous concerne les modèles YOLOv8 de détection d’objets. Pour connaître les autres tâches prises en charge, consulte la documentation sur la segmentation, la classification, la pose et les OBB.

from ultralytics import YOLO

# Charger un modèle YOLOv8n préentraîné sur COCO
model = YOLO("yolov8n.pt")

# Afficher les informations du modèle (facultatif)
model.info()

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exécuter l’inférence avec le modèle YOLOv8n sur l’image 'bus.jpg'
results = model("path/to/bus.jpg")

Citations et remerciements#

Si tu utilises le modèle YOLOv8 ou tout autre logiciel de ce dépôt dans ton travail, cite-le au format suivant :

@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}
}

Note que le DOI est en attente et sera ajouté à la citation dès qu’il sera disponible. Les modèles YOLOv8 sont proposés sous les licences AGPL-3.0 et Enterprise.

FAQ#