सामग्री पर जाएं

YOLOv8

विहंगावलोकन

YOLOv8 में नवीनतम पुनरावृत्ति है YOLO वास्तविक समय वस्तु डिटेक्टरों की श्रृंखला, सटीकता और गति के मामले में अत्याधुनिक प्रदर्शन की पेशकश। पिछले की प्रगति पर निर्माण YOLO संस्करणों YOLOv8 नई सुविधाओं और अनुकूलन का परिचय देता है जो इसे अनुप्रयोगों की एक विस्तृत श्रृंखला में विभिन्न ऑब्जेक्ट डिटेक्शन कार्यों के लिए एक आदर्श विकल्प बनाते हैं।

Ultralytics YOLOv8



सतर्कता: Ultralytics YOLOv8 मॉडल अवलोकन

प्रमुख विशेषताऐं

  • उन्नत रीढ़ की हड्डी और गर्दन आर्किटेक्चर: YOLOv8 अत्याधुनिक रीढ़ और गर्दन के आर्किटेक्चर को नियोजित करता है, जिसके परिणामस्वरूप बेहतर फीचर निष्कर्षण और वस्तु का पता लगाने का प्रदर्शन होता है।
  • एंकर-फ्री स्प्लिट Ultralytics सिर: YOLOv8 एक एंकर-मुक्त विभाजन को गोद लेता है Ultralytics सिर, जो एंकर-आधारित दृष्टिकोणों की तुलना में बेहतर सटीकता और अधिक कुशल पहचान प्रक्रिया में योगदान देता है।
  • अनुकूलित सटीकता-गति ट्रेडऑफ़: सटीकता और गति के बीच एक इष्टतम संतुलन बनाए रखने पर ध्यान देने के साथ, YOLOv8 विभिन्न अनुप्रयोग क्षेत्रों में वास्तविक समय वस्तु का पता लगाने के कार्यों के लिए उपयुक्त है।
  • पूर्व-प्रशिक्षित मॉडल की विविधता: YOLOv8 विभिन्न कार्यों और प्रदर्शन आवश्यकताओं को पूरा करने के लिए पूर्व-प्रशिक्षित मॉडल की एक श्रृंखला प्रदान करता है, जिससे आपके विशिष्ट उपयोग के मामले के लिए सही मॉडल ढूंढना आसान हो जाता है।

समर्थित कार्य और मोड

वही YOLOv8 श्रृंखला मॉडल की एक विविध श्रेणी प्रदान करती है, प्रत्येक कंप्यूटर दृष्टि में विशिष्ट कार्यों के लिए विशिष्ट है। इन मॉडलों को विभिन्न आवश्यकताओं को पूरा करने के लिए डिज़ाइन किया गया है, ऑब्जेक्ट डिटेक्शन से लेकर इंस्टेंस सेगमेंटेशन, पोज़ / कीपॉइंट डिटेक्शन, ओरिएंटेड ऑब्जेक्ट डिटेक्शन और वर्गीकरण जैसे अधिक जटिल कार्यों तक।

का प्रत्येक प्रकार YOLOv8 श्रृंखला अपने संबंधित कार्य के लिए अनुकूलित है, उच्च प्रदर्शन और सटीकता सुनिश्चित करती है। इसके अतिरिक्त, ये मॉडल अनुमान, सत्यापन, प्रशिक्षण और निर्यात सहित विभिन्न परिचालन मोड के साथ संगत हैं, जो तैनाती और विकास के विभिन्न चरणों में उनके उपयोग की सुविधा प्रदान करते हैं।

को गढ़ना फ़ाइल नाम नियत कार्य अनुमान मान्यता प्रशिक्षण निर्यातित माल
YOLOv8 yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt खोज
YOLOv8-एसईजी yolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt इंस्टेंस सेगमेंटेशन
YOLOv8-भंगिमा yolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.pt मुद्रा/कीपॉइंट्स
YOLOv8-ओबीबी yolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt ओरिएंटेड डिटेक्शन
YOLOv8-सीएलएस yolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.pt वर्गीकरण

यह तालिका का अवलोकन प्रदान करती है YOLOv8 मॉडल वेरिएंट, विशिष्ट कार्यों में उनकी प्रयोज्यता और विभिन्न परिचालन मोड जैसे अनुमान, सत्यापन, प्रशिक्षण और निर्यात के साथ उनकी संगतता को उजागर करता है। यह बहुमुखी प्रतिभा और मजबूती को प्रदर्शित करता है YOLOv8 श्रृंखला, उन्हें कंप्यूटर दृष्टि में विभिन्न प्रकार के अनुप्रयोगों के लिए उपयुक्त बनाती है।

प्रदर्शन मेट्रिक्स

प्रदर्शन

COCO पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए डिटेक्शन डॉक्स देखें, जिसमें 80 पूर्व-प्रशिक्षित कक्षाएं शामिल हैं।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रवैल
50-95
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8

ओपन इमेज V7 पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए डिटेक्शन डॉक्स देखें, जिसमें 600 पूर्व-प्रशिक्षित कक्षाएं शामिल हैं।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रवैल
50-95
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n 640 18.4 142.4 1.21 3.5 10.5
YOLOv8s 640 27.7 183.1 1.40 11.4 29.7
YOLOv8m 640 33.6 408.5 2.26 26.2 80.6
YOLOv8l 640 34.9 596.9 2.43 44.1 167.4
YOLOv8x 640 36.3 860.6 3.56 68.7 260.6

COCO पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए सेगमेंटेशन डॉक्स देखें, जिसमें 80 पूर्व-प्रशिक्षित कक्षाएं शामिल हैं।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रसंदूक
50-95
मानचित्रनकाब
50-95
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n-एसईजी 640 36.7 30.5 96.1 1.21 3.4 12.6
YOLOv8s-एसईजी 640 44.6 36.8 155.7 1.47 11.8 42.6
YOLOv8m-एसईजी 640 49.9 40.8 317.0 2.18 27.3 110.2
YOLOv8l-एसईजी 640 52.3 42.6 572.4 2.79 46.0 220.5
YOLOv8x-एसईजी 640 53.4 43.4 712.1 4.02 71.8 344.1

इमेजनेट पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए वर्गीकरण डॉक्स देखें, जिसमें 1000 पूर्व-प्रशिक्षित कक्षाएं शामिल हैं।

को गढ़ना आकार वाला
(पिक्सेल)
एसीसी
शीर्ष 1
एसीसी
शीर्ष 5
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(B) 640 पर
YOLOv8n-सीएलएस 224 69.0 88.3 12.9 0.31 2.7 4.3
YOLOv8s-सीएलएस 224 73.8 91.7 23.4 0.35 6.4 13.5
YOLOv8m-सीएलएस 224 76.8 93.5 85.4 0.62 17.0 42.7
YOLOv8l-सीएलएस 224 76.8 93.5 163.0 0.87 37.5 99.7
YOLOv8x-सीएलएस 224 79.0 94.6 232.0 1.01 57.4 154.8

COCO पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए पोज़ एस्टीमेशन डॉक्स देखें, जिसमें 1 पूर्व-प्रशिक्षित वर्ग, 'व्यक्ति' शामिल हैं।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रभंगिमा
50-95
मानचित्रभंगिमा
50
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n-भंगिमा 640 50.4 80.1 131.8 1.18 3.3 9.2
YOLOv8s-भंगिमा 640 60.0 86.2 233.2 1.42 11.6 30.2
YOLOv8m-भंगिमा 640 65.0 88.8 456.3 2.00 26.4 81.0
YOLOv8l-भंगिमा 640 67.6 90.0 784.5 2.59 44.4 168.6
YOLOv8x-भंगिमा 640 69.2 90.2 1607.1 3.73 69.4 263.2
YOLOv8x-पोज़-p6 1280 71.6 91.2 4088.7 10.04 99.1 1066.4

DOTAv1 पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए ओरिएंटेड डिटेक्शन डॉक्स देखें, जिसमें 15 पूर्व-प्रशिक्षित कक्षाएं शामिल हैं।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रपरीक्षा
50
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n-ओबीबी 1024 78.0 204.77 3.57 3.1 23.3
YOLOv8s-ओबीबी 1024 79.5 424.88 4.07 11.4 76.3
YOLOv8m-ओबीबी 1024 80.5 763.48 7.61 26.4 208.6
YOLOv8l-ओबीबी 1024 80.7 1278.42 11.83 44.5 433.8
YOLOv8x-ओबीबी 1024 81.36 1759.10 13.23 69.5 676.7

उपयोग के उदाहरण

यह उदाहरण सरल प्रदान करता है YOLOv8 प्रशिक्षण और अनुमान उदाहरण। इन और अन्य मोड पर पूर्ण प्रलेखन के लिए भविष्यवाणी, ट्रेन, वैल और निर्यात डॉक्स पृष्ठ देखें।

ध्यान दें कि नीचे दिया गया उदाहरण YOLOv8 ऑब्जेक्ट डिटेक्शन के लिए मॉडल का पता लगाएं। अतिरिक्त समर्थित कार्यों के लिए सेगमेंट, वर्गीकृत, OBB डॉक्स और पोज़ डॉक्स देखें।

उदाहरण

PyTorch पूर्व-प्रशिक्षित *.pt मॉडल के साथ-साथ कॉन्फ़िगरेशन *.yaml फ़ाइलों को पास किया जा सकता है YOLO() में एक मॉडल उदाहरण बनाने के लिए वर्ग python:

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')

CLI मॉडल को सीधे चलाने के लिए कमांड उपलब्ध हैं:

# 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

प्रशंसा पत्र और पावती

यदि आप YOLOv8 मॉडल या आपके काम में इस रिपॉजिटरी से कोई अन्य सॉफ़्टवेयर, कृपया इसे निम्नलिखित प्रारूप का उपयोग करके उद्धृत करें:

@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}
}

कृपया ध्यान दें कि डीओआई लंबित है और उपलब्ध होने के बाद उद्धरण में जोड़ दिया जाएगा। YOLOv8 मॉडल के तहत प्रदान की जाती हैं AGPL-3.0 और एंटरप्राइज़ लाइसेंस।



2023-11-12 बनाया गया, अपडेट किया गया 2024-02-03
लेखक: ग्लेन-जोचर (11), लाफिंग-क्यू (2), आयुषएक्सल (1), एफकेकॉन (1)

टिप्पणियाँ