Esplora Ultralytics YOLOv8#

Panoramica#

YOLOv8 è stato rilasciato da Ultralytics il 10 gennaio 2023, offrendo prestazioni all'avanguardia in termini di accuratezza e velocità. Basandosi sui progressi delle versioni precedenti di YOLO, YOLOv8 ha introdotto nuove funzionalità e ottimizzazioni che lo rendono una scelta ideale per le attività di rilevamento degli oggetti in un'ampia gamma di applicazioni.

Funzionalità principali di YOLOv8#

• Architetture avanzate di backbone e neck: YOLOv8 utilizza architetture di backbone e neck all'avanguardia, con conseguenti prestazioni migliori nell'estrazione delle caratteristiche e nel rilevamento degli oggetti.
• Testa Ultralytics split senza ancoraggi: YOLOv8 adotta una testa Ultralytics split senza ancoraggi, che contribuisce a una maggiore accuratezza e a un processo di rilevamento più efficiente rispetto agli approcci basati sugli ancoraggi.
• Compromesso accuratezza-velocità ottimizzato: Ponendo l'accento sul mantenimento di un equilibrio ottimale tra accuratezza e velocità, YOLOv8 è adatto alle attività di rilevamento degli oggetti in tempo reale in diversi ambiti applicativi.
• Ampia varietà di modelli pretrained: YOLOv8 offre una serie di modelli pretrained per soddisfare diverse attività e requisiti prestazionali, semplificando la scelta del modello più adatto al tuo caso d'uso specifico.

Attività e modalità supportate#

La serie YOLOv8 offre un'ampia gamma di modelli, ciascuno specializzato in attività specifiche di computer vision. Questi modelli sono progettati per soddisfare diversi requisiti, dal rilevamento degli oggetti ad attività più complesse come la segmentazione delle istanze, la classificazione, il rilevamento della posa/dei keypoint e il rilevamento di oggetti orientati.

Ogni variante della serie YOLOv8 è ottimizzata per la propria attività, garantendo prestazioni e accuratezza elevate. Inoltre, questi modelli sono compatibili con diverse modalità operative, tra cui Inferenza, Validazione, Addestramento ed Esportazione, facilitandone l'uso nelle diverse fasi di sviluppo e distribuzione.

Questa tabella offre una panoramica delle varianti del modello YOLOv8, evidenziandone l'applicabilità ad attività specifiche e la compatibilità con diverse modalità operative, come Inferenza, Validazione, Addestramento ed Esportazione. Mostra la versatilità e la robustezza della serie YOLOv8, rendendola adatta a numerose applicazioni di computer vision.

Metriche delle prestazioni#

Esempi di utilizzo di YOLOv8#

Questo esempio fornisce semplici esempi di addestramento e inferenza di YOLOv8. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predict, Train, Val ed Export.

L'esempio seguente riguarda i modelli YOLOv8 Detect per il rilevamento degli oggetti. Per ulteriori attività supportate, consulta la documentazione di Segment, Classify, Pose e 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")

Citazioni e ringraziamenti#

Se utilizzi il modello YOLOv8 o qualsiasi altro software di questo repository nel tuo lavoro, citalo utilizzando il formato seguente:

@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}
}

Tieni presente che il DOI è in attesa e verrà aggiunto alla citazione non appena sarà disponibile. I modelli YOLOv8 sono forniti con licenze AGPL-3.0 ed Enterprise.

FAQ#