Esplora Ultralytics YOLOv8#

Panoramica#

YOLOv8 è stato rilasciato da Ultralytics il 10 gennaio 2023, offrendo prestazioni all'avanguardia in termini di precisione e velocità. Basandosi sui progressi delle versioni precedenti di YOLO, YOLOv8 ha introdotto nuove funzionalità e ottimizzazioni che lo rendono una scelta ideale per diverse attività di object detection in una vasta gamma di applicazioni.

Caratteristiche principali di YOLOv8#

• Architetture avanzate di backbone e neck: YOLOv8 impiega architetture di backbone e neck all'avanguardia, che garantiscono prestazioni migliori nell'estrazione delle caratteristiche e nell'object detection.
• Ultralytics Head split senza ancoraggi: YOLOv8 adotta una Ultralytics head split senza ancoraggi, che contribuisce a una migliore precisione e a un processo di rilevamento più efficiente rispetto agli approcci basati su ancoraggi.
• Compromesso ottimizzato tra precisione e velocità: Con un focus sul mantenimento di un equilibrio ottimale tra precisione e velocità, YOLOv8 è adatto per attività di object detection in tempo reale in diversi settori applicativi.
• Varietà di modelli preaddestrati: YOLOv8 offre una gamma di modelli preaddestrati per soddisfare varie attività e requisiti di prestazioni, rendendo più semplice trovare il modello giusto per il tuo caso d'uso specifico.

Compiti e modalità supportati#

La serie YOLOv8 offre una gamma diversificata di modelli, ciascuno specializzato per attività specifiche nella computer vision. Questi modelli sono progettati per soddisfare varie esigenze, dall'object detection a compiti più complessi come l'instance segmentation, la classificazione, il rilevamento di pose/keypoints e l'object detection orientata.

Ogni variante della serie YOLOv8 è ottimizzata per la rispettiva attività, garantendo elevate prestazioni e precisione. Inoltre, questi modelli sono compatibili con varie modalità operative tra cui Inference, Validation, Training e Export, facilitandone l'uso nelle diverse fasi di sviluppo e deployment.

Questa tabella fornisce una panoramica delle varianti dei modelli YOLOv8, evidenziandone l'applicabilità in attività specifiche e la compatibilità con varie modalità operative come Inference, Validation, Training e Export. Mostra la versatilità e la robustezza della serie YOLOv8, rendendoli adatti a una varietà di applicazioni nella computer vision.

Metriche di performance#

Esempi di utilizzo di YOLOv8#

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

Nota che l'esempio seguente è per i modelli YOLOv8 Detect per l'object detection. 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 riconoscimenti#

Se utilizzi il modello YOLOv8 o qualsiasi altro software di questo repository nel tuo lavoro, ti preghiamo 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 prega di notare che il DOI è in fase di definizione e verrà aggiunto alla citazione non appena disponibile. I modelli YOLOv8 sono forniti con licenze AGPL-3.0 e Enterprise.

FAQ#