Découvre Ultralytics YOLOv8#

Présentation#

YOLOv8 a été publié par Ultralytics 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 un large éventail d'applications.

Fonctionnalités clés de YOLOv8#

• Architectures avancées du backbone et du neck : YOLOv8 utilise des architectures de pointe pour le backbone et le neck, ce qui améliore les performances d'extraction de caractéristiques et de détection d'objets.
• Tête Ultralytics séparée sans ancres : YOLOv8 adopte une tête Ultralytics séparée sans ancres, ce qui contribue à améliorer la précision et l'efficacité du processus de détection par rapport aux 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 de modèles préentraînés : YOLOv8 propose une gamme de modèles préentraînés adaptés à différentes tâches et exigences de performance, ce qui facilite la recherche du modèle approprié pour ton cas d'utilisation spécifique.

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 sont conçus pour répondre à divers besoins, de la détection d'objets à des tâches plus complexes comme la segmentation d'instances, la classification, la détection de poses/points clés et la détection d'objets orientés.

Chaque variante de la série YOLOv8 est optimisée pour sa tâche respective, afin de garantir 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'exportation, ce qui facilite leur utilisation aux différentes étapes du déploiement et du développement.

Ce tableau présente une vue d'ensemble des variantes de modèles YOLOv8, en mettant en évidence leur applicabilité à des tâches spécifiques et leur compatibilité avec différents modes opérationnels tels que l'inférence, la validation, l'entraînement et l'exportation. Il illustre la polyvalence et la robustesse de la série YOLOv8, qui convient ainsi à diverses applications de vision par ordinateur.

Métriques de performance#

Exemples d'utilisation de YOLOv8#

Cet exemple fournit des exemples simples d'entraînement et d'inférence avec YOLOv8. Pour consulter la documentation complète sur ces modes et les autres, regarde les pages de documentation Predict, Train, Val et Export.

Note que l'exemple ci-dessous concerne les modèles YOLOv8 Detect pour la détection d'objets. Pour découvrir les autres tâches prises en charge, consulte la documentation Segment, Classify, Pose et 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")

Citations et remerciements#

Si tu utilises le modèle YOLOv8 ou tout autre logiciel de ce dépôt dans tes travaux, cite-le en utilisant le 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 fournis sous les licences AGPL-3.0 et Enterprise.

FAQ#