Ultralytics YOLOv8

Vue d'ensemble

YOLOv8 est la dernière itération de la série de détecteurs d'objets en temps réel YOLO , offrant des performances de pointe en termes de précision et de vitesse. S'appuyant sur les avancées des versions précédentes de YOLO , YOLOv8 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.

Regarde : Ultralytics YOLOv8 Aperçu du modèle

Caractéristiques principales

• Architectures dorsale et cervicale avancées : YOLOv8 utilise des architectures dorsale et cervicale de pointe, ce qui permet d'améliorer les performances d'extraction des caractéristiques et de détection des objets.
• Tête Ultralytics divisée sans ancrage : YOLOv8 adopte une tête Ultralytics divisée sans ancrage, ce qui contribue à une meilleure précision et à un processus de détection plus efficace par rapport aux approches basées sur l'ancrage.
• Compromis optimisé entre précision et rapidité : en se concentrant sur le maintien d'un équilibre optimal entre précision et rapidité, YOLOv8 convient aux tâches de détection d'objets en temps réel dans divers domaines d'application.
• Variété de modèles pré-entraînés : YOLOv8 offre une gamme de modèles pré-entraînés pour répondre à diverses tâches et exigences de performance, ce qui facilite la recherche du bon modèle pour ton cas d'utilisation spécifique.

Tâches et modes pris en charge

La série YOLOv8 offre une gamme variée de modèles, chacun spécialisé dans des tâches spécifiques de vision par ordinateur. Ces modèles sont conçus pour répondre à diverses exigences, de la détection d'objets à des tâches plus complexes telles que la segmentation d'instances, la détection de poses/de points clés, la détection d'objets orientés et la classification.

Chaque variante de la série YOLOv8 est optimisée pour sa tâche respective, ce qui garantit des performances et une précision élevées. En outre, ces modèles sont compatibles avec divers modes opérationnels, notamment l'inférence, la validation, la formation et l'exportation, ce qui facilite leur utilisation à différents stades du déploiement et du développement.

Ce tableau donne une vue d'ensemble des variantes du modèle YOLOv8 , en soulignant leur applicabilité dans des tâches spécifiques et leur compatibilité avec divers modes opérationnels tels que l'inférence, la validation, l'entraînement et l'exportation. Il met en évidence la polyvalence et la robustesse de la série YOLOv8 , ce qui la rend adaptée à une variété d'applications dans le domaine de la vision par ordinateur.

Mesures de performance

Exemples d'utilisation

Cet exemple fournit des exemples simples de formation et d'inférence sur YOLOv8 . Pour une documentation complète sur ces modes et d'autres , voir les pages Predict, Train, Val et Export docs.

Note que l'exemple ci-dessous concerne les modèles YOLOv8 Detect pour la détection d'objets. Pour d'autres tâches prises en charge, voir les documents Segmenter, Classifier, OBB et Poser.

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

Citations et remerciements

Si tu utilises le modèle YOLOv8 ou tout autre logiciel de ce dépôt dans ton travail, merci de le citer 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}
}

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

FAQ

Qu'est-ce que YOLOv8 et en quoi diffère-t-il des versions précédentes de YOLO ?

YOLOv8 est la dernière itération de la série Ultralytics YOLO , conçue pour améliorer les performances de détection d'objets en temps réel grâce à des fonctions avancées. Contrairement aux versions précédentes, YOLOv8 incorpore une tête Ultralytics divisée sans ancrage, des architectures de pointe pour l'épine dorsale et le cou, et offre un compromis précision-vitesse optimisé, ce qui en fait l'outil idéal pour diverses applications. Pour plus de détails, consulte les sections Vue d'ensemble et Caractéristiques principales.

Comment puis-je utiliser YOLOv8 pour différentes tâches de vision par ordinateur ?

YOLOv8 prend en charge un large éventail de tâches de vision par ordinateur, notamment la détection d'objets, la segmentation d'instances, la détection de poses et de points clés, la détection d'objets orientés et la classification. Chaque variante de modèle est optimisée pour sa tâche spécifique et compatible avec divers modes opérationnels tels que l'inférence, la validation, l'entraînement et l'exportation. Reporte-toi à la section Tâches et modes pris en charge pour plus d'informations.

Quelles sont les mesures de performance pour les modèles YOLOv8 ?

YOLOv8 atteignent des performances de pointe dans divers ensembles de données d'analyse comparative. Par exemple, le modèle YOLOv8n atteint une mAP (mean Average Precision) de 37,3 sur l'ensemble de données COCO et une vitesse de 0,99 ms sur A100 TensorRT. Les mesures détaillées des performances de chaque variante du modèle pour différentes tâches et différents ensembles de données se trouvent dans la section Mesures des performances.

Comment entraîner un modèle YOLOv8 ?

L'entraînement d'un modèle YOLOv8 peut se faire à l'aide de Python ou CLI. Tu trouveras ci-dessous des exemples d'entraînement d'un modèle à l'aide d'un modèle YOLOv8 pré-entraîné par COCO sur l'ensemble de données COCO8 pendant 100 époques:

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

Pour plus de détails, visite la documentation sur la formation.

Puis-je comparer les performances des modèles YOLOv8 ?

Oui, les modèles YOLOv8 peuvent faire l'objet d'une analyse comparative des performances en termes de vitesse et de précision dans différents formats d'exportation. Tu peux utiliser PyTorch, ONNX, TensorRT, et d'autres pour l'analyse comparative. Tu trouveras ci-dessous des exemples de commandes pour l'évaluation des performances à l'aide de Python et 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

Pour plus d'informations, consulte la section sur les mesures de performance.

📅 C réé il y a 1 an ✏️ Mis à jour il y a 13 jours

Commentaires