Vai al contenuto

Casa

Introduzione Ultralytics YOLOv8YOLOv8 è la versione più recente dell'acclamato modello di rilevamento degli oggetti e di segmentazione delle immagini in tempo reale. si basa su progressi all'avanguardia nel campo del deep learning e della computer vision, offrendo prestazioni senza precedenti in termini di velocità e precisione. Il suo design semplificato lo rende adatto a varie applicazioni e facilmente adattabile a diverse piattaforme hardware, dai dispositivi edge alle API cloud.

Esplora i documenti di YOLOv8 , una risorsa completa progettata per aiutarti a comprendere e utilizzare le sue caratteristiche e capacità. Sia che tu sia un esperto di apprendimento automatico o un novello del settore, questo hub ha lo scopo di massimizzare il potenziale di YOLOv8 nei tuoi progetti.

Da dove iniziare



Guarda: Come addestrare un modello YOLOv8 su un set di dati personalizzato in Google Colab.

YOLO: Una breve storia

YOLO (You Only Look Once), un popolare modello di rilevamento degli oggetti e di segmentazione delle immagini, è stato sviluppato da Joseph Redmon e Ali Farhadi presso l'Università di Washington. Lanciato nel 2015, YOLO ha guadagnato rapidamente popolarità per la sua elevata velocità e precisione.

  • YOLOv2, rilasciato nel 2016, ha migliorato il modello originale incorporando la normalizzazione dei lotti, le caselle di ancoraggio e i cluster di dimensioni.
  • YOLOv3, lanciato nel 2018, ha migliorato ulteriormente le prestazioni del modello utilizzando una rete dorsale più efficiente, ancore multiple e il pooling della piramide spaziale.
  • YOLOv4 è stato rilasciato nel 2020, introducendo innovazioni come l'aumento dei dati Mosaic, una nuova testa di rilevamento senza ancore e una nuova funzione di perdita.
  • YOLOv5 ha migliorato ulteriormente le prestazioni del modello e ha aggiunto nuove funzionalità come l'ottimizzazione degli iperparametri, il monitoraggio integrato degli esperimenti e l'esportazione automatica nei formati più diffusi.
  • YOLOv6 è stato reso disponibile da Meituan nel 2022 ed è in uso in molti dei robot di consegna autonomi dell'azienda.
  • YOLOv7 ha aggiunto ulteriori compiti come la stima della posa sul set di dati COCO keypoints.
  • YOLOv8 è l'ultima versione di YOLO di Ultralytics. Come modello all'avanguardia e di ultima generazione (SOTA), YOLOv8 si basa sul successo delle versioni precedenti, introducendo nuove funzionalità e miglioramenti per aumentare le prestazioni, la flessibilità e l'efficienza. YOLOv8 supporta una gamma completa di attività di IA visiva, tra cui il rilevamento, la segmentazione, la stima della posa, il tracciamento e la classificazione. Questa versatilità permette agli utenti di sfruttare le capacità di YOLOv8 in diverse applicazioni e settori.
  • YOLOv9 introduce metodi innovativi come il Programmable Gradient Information (PGI) e il Generalized Efficient Layer Aggregation Network (GELAN).

YOLO Licenze: Come viene rilasciata la licenza a Ultralytics YOLO ?

Ultralytics offre due opzioni di licenza per adattarsi a diversi casi d'uso:

  • AGPL-3.0 Licenza: Questa licenza open-source approvata da OSI è ideale per gli studenti e gli appassionati, in quanto promuove la collaborazione aperta e la condivisione delle conoscenze. Per maggiori dettagli, consulta il file LICENZA.
  • Licenza Enterprise: Progettata per uso commerciale, questa licenza permette di integrare perfettamente il software Ultralytics e i modelli di intelligenza artificiale in beni e servizi commerciali, aggirando i requisiti open-source di AGPL-3.0. Se il tuo scenario prevede l'integrazione delle nostre soluzioni in un'offerta commerciale, contattaci tramite Ultralytics Licensing.

La nostra strategia di concessione delle licenze è pensata per garantire che tutti i miglioramenti apportati ai nostri progetti open-source siano restituiti alla comunità. I principi dell'open source ci stanno a cuore ❤️ e la nostra missione è garantire che i nostri contributi possano essere utilizzati e ampliati in modo vantaggioso per tutti.



Creato 2023-11-12, Aggiornato 2024-04-17
Autori: RizwanMunawar (1), glenn-jocher (5), AyushExel (3)

Commenti