Ultralytics YOLOv8

Panoramica

YOLOv8 è l'ultima iterazione della serie YOLO di rilevatori di oggetti in tempo reale, che offre prestazioni all'avanguardia in termini di precisione e velocità. Basandosi sui progressi delle precedenti versioni di YOLO , YOLOv8 introduce nuove funzionalità e ottimizzazioni che lo rendono la scelta ideale per varie attività di rilevamento di oggetti in un'ampia gamma di applicazioni.

Guarda: Ultralytics YOLOv8 Panoramica del modello

Caratteristiche principali

• Architetture backbone e neck avanzate: YOLOv8 impiega architetture backbone e neck all'avanguardia, che consentono di migliorare le prestazioni di estrazione delle caratteristiche e di rilevamento degli oggetti.
• Testa Ultralytics divisa senza ancore: YOLOv8 adotta una testa Ultralytics divisa senza ancore, che contribuisce a una migliore accuratezza e a un processo di rilevamento più efficiente rispetto agli approcci basati sulle ancore.
• Tradeoff precisione-velocità ottimizzato: grazie all'attenzione rivolta al mantenimento di un equilibrio ottimale tra precisione e velocità, YOLOv8 è adatto a compiti di rilevamento di oggetti in tempo reale in diverse aree applicative.
• Varietà di modelli pre-addestrati: YOLOv8 offre una gamma di modelli pre-addestrati per soddisfare diversi compiti e requisiti di prestazione, rendendo più facile trovare il modello giusto per il vostro caso d'uso specifico.

Attività e modalità supportate

La serie YOLOv8 offre una vasta gamma di modelli, ciascuno specializzato per compiti specifici nella visione artificiale. Questi modelli sono progettati per soddisfare diverse esigenze, dal rilevamento di oggetti a compiti più complessi come la segmentazione di istanze, il rilevamento di pose/punti chiave, il rilevamento di oggetti orientati e la classificazione.

Ogni variante della serie YOLOv8 è ottimizzata per il rispettivo compito, garantendo prestazioni e accuratezza elevate. Inoltre, questi modelli sono compatibili con diverse modalità operative, tra cui Inferenza, Convalida, Formazione ed Esportazione, che ne facilitano l'uso in diverse fasi di implementazione e sviluppo.

Questa tabella fornisce una panoramica delle varianti del modello YOLOv8 , evidenziandone l'applicabilità in compiti specifici e la compatibilità con diverse modalità operative quali Inferenza, Convalida, Addestramento ed Esportazione. La tabella illustra la versatilità e la robustezza della serie YOLOv8 , che la rendono adatta a una varietà di applicazioni nel campo della computer vision.

Metriche di prestazione

Esempi di utilizzo

Questo esempio fornisce semplici esempi di addestramento e inferenza su YOLOv8 . Per una documentazione completa su queste e altre modalità, consultare le pagine dei documenti Predict, Train, Val ed Export.

Si noti che l'esempio seguente riguarda i modelli YOLOv8 Detect per il rilevamento degli oggetti. Per altri compiti supportati, vedere i documenti Segment, Classify, OBB e Pose.

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

Citazioni e ringraziamenti

Se nel vostro lavoro utilizzate il modello YOLOv8 o qualsiasi altro software di questo archivio, siete pregati di citarlo utilizzando il seguente formato:

@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}
}

Si noti che il DOI è in attesa e sarà aggiunto alla citazione non appena sarà disponibile. I modelli YOLOv8 sono forniti con le licenze AGPL-3.0 e con licenze Enterprise.

FAQ

Che cos'è YOLOv8 e come si differenzia dalle precedenti versioni di YOLO ?

YOLOv8 è l'ultima iterazione della serie Ultralytics YOLO , progettata per migliorare le prestazioni di rilevamento degli oggetti in tempo reale con funzioni avanzate. A differenza delle versioni precedenti, YOLOv8 incorpora una testa Ultralytics senza ancoraggi, architetture di backbone e collo all'avanguardia e offre un compromesso tra precisione e velocità ottimizzato, che lo rende ideale per diverse applicazioni. Per maggiori dettagli, consultare le sezioni Panoramica e Caratteristiche principali.

Come si può utilizzare YOLOv8 per diversi compiti di computer vision?

YOLOv8 supporta un'ampia gamma di compiti di computer vision, tra cui il rilevamento di oggetti, la segmentazione di istanze, il rilevamento di pose/punti chiave, il rilevamento di oggetti orientati e la classificazione. Ogni variante di modello è ottimizzata per il compito specifico e compatibile con diverse modalità operative come Inferenza, Convalida, Formazione ed Esportazione. Per ulteriori informazioni, consultare la sezione Attività e modalità supportate.

Quali sono le metriche di performance dei modelli YOLOv8 ?

YOLOv8 I modelli raggiungono prestazioni all'avanguardia su diversi set di dati di benchmarking. Ad esempio, il modello YOLOv8n raggiunge un mAP (mean Average Precision) di 37,3 sul dataset COCO e una velocità di 0,99 ms su A100 TensorRT. Le metriche dettagliate delle prestazioni di ciascuna variante del modello su diversi compiti e set di dati sono riportate nella sezione Metriche delle prestazioni.

Come si addestra un modello YOLOv8 ?

L'addestramento di un modello YOLOv8 può essere effettuato utilizzando Python o CLI. Di seguito sono riportati esempi di addestramento di un modello utilizzando un modello YOLOv8 preaddestrato da COCO sul dataset COCO8 per 100 epoch:

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

Per ulteriori dettagli, visitate la documentazione sulla formazione.

È possibile effettuare un benchmark delle prestazioni dei modelli YOLOv8 ?

Sì, i modelli YOLOv8 possono essere sottoposti a benchmark delle prestazioni in termini di velocità e accuratezza in vari formati di esportazione. Per il benchmarking si possono usare PyTorch, ONNX, TensorRT e altri ancora. Di seguito sono riportati alcuni esempi di comandi per il benchmarking utilizzando Python e 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

Per ulteriori informazioni, consultare la sezione Metriche delle prestazioni.

📅C reato 1 anno fa ✏️ Aggiornato 14 giorni fa

Commenti