Link to this sectionUltralytics YOLOv8を探る#

Link to this section概要#

YOLOv8は、2023年1月10日にUltralyticsによってリリースされ、精度と速度の両面で最先端のパフォーマンスを提供します。これまでのYOLOバージョンの進歩を基盤とし、YOLOv8は、幅広いアプリケーションにおける多様なobject detectionタスクにとって理想的な選択肢となる新機能や最適化を導入しました。

Link to this sectionYOLOv8の主な機能#

• 高度なバックボーンおよびネックアーキテクチャ: YOLOv8は最先端のバックボーンおよびネックアーキテクチャを採用しており、feature extractionおよびobject detectionのパフォーマンスが向上しています。
• アンカーフリーの分割型Ultralyticsヘッド: YOLOv8はアンカーフリーの分割型Ultralyticsヘッドを採用しており、アンカーベースのアプローチと比較して、より高い精度と効率的な検出プロセスを実現しています。
• 最適化された精度と速度のトレードオフ: 精度と速度の最適なバランスを維持することに重点を置いており、YOLOv8は多様なアプリケーション分野におけるリアルタイムのオブジェクト検出タスクに適しています。
• 多様な事前学習済みモデル: YOLOv8は、さまざまなタスクやパフォーマンス要件に応える一連の事前学習済みモデルを提供しており、特定のユースケースに適したモデルを容易に見つけることができます。

Link to this sectionサポートされるタスクとモード#

YOLOv8シリーズは、コンピュータビジョンの特定のタスクに特化した多様なモデルを提供します。これらのモデルは、オブジェクト検出から、instance segmentation、ポーズ/キーポイント検出、指向性オブジェクト検出、分類といったより複雑なタスクまで、さまざまな要件に対応できるように設計されています。

YOLOv8シリーズの各バリアントはそれぞれのタスク向けに最適化されており、高いパフォーマンスと精度を保証します。さらに、これらのモデルはInference、Validation、Training、Exportを含む様々な運用モードと互換性があり、デプロイメントや開発の各段階での利用を容易にします。

この表は、YOLOv8モデルのバリアントの概要を示し、特定のタスクへの適用可能性、およびInference、Validation、Training、Exportといった様々な運用モードとの互換性を強調しています。これはYOLOv8シリーズの汎用性と堅牢性を示すものであり、computer visionにおける多様なアプリケーションに適しています。

Link to this section性能メトリクス#

Link to this sectionYOLOv8 の使用例#

この例では、シンプルな YOLOv8 のトレーニングと推論の例を提供します。これらおよびその他の モード に関する詳細なドキュメントについては、Predict、Train、Val、および Export のドキュメントページを参照してください。

以下の例は、物体検出のための YOLOv8 Detect モデルに関するものです。その他のサポートされているタスクについては、Segment、Classify、OBB、および Pose のドキュメントを参照してください。

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")

Link to this section引用と謝辞#

YOLOv8 モデルまたは本リポジトリのソフトウェアを業務で使用する場合は、以下の形式で引用してください。

@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}
}

DOI は現在申請中であり、利用可能になり次第、引用情報に追加されます。YOLOv8 モデルは AGPL-3.0 ライセンスおよび Enterprise ライセンスの下で提供されています。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionYOLOv8 とは何ですか？また、以前の YOLO バージョンと何が異なりますか？#

YOLOv8 は、高度な機能を備えたリアルタイム物体検出のパフォーマンスを向上させるように設計されています。以前のバージョンとは異なり、YOLOv8 は アンカーフリーの分割 Ultralytics ヘッド、最先端の バックボーン およびネックアーキテクチャを採用しており、最適化された 精度 と速度のトレードオフを提供するため、多様なアプリケーションに最適です。詳細は、概要 および YOLOv8 の主な機能 セクションを確認してください。

Link to this sectionYOLOv8 をさまざまなコンピュータビジョンのタスクでどのように使用できますか？#

YOLOv8 は、物体検出、インスタンスセグメンテーション、ポーズ/キーポイント検出、指向性物体検出、分類など、幅広いコンピュータビジョンタスクをサポートしています。各モデルバリエーションは特定のタスクに最適化されており、推論、検証、トレーニング、エクスポート といったさまざまな動作モードと互換性があります。詳細については、サポートされているタスクとモード セクションを参照してください。

Link to this sectionYOLOv8 モデルのパフォーマンスメトリクスはどのようになっていますか？#

YOLOv8 モデルは、さまざまなベンチマークデータセットにおいて最先端のパフォーマンスを達成しています。例えば、YOLOv8n モデルは COCO データセットで 37.3 の mAP (mean Average Precision) を達成し、A100 TensorRT 上で 0.99 ms の速度を実現しています。各タスクおよびデータセットにおける各モデルバリエーションの詳細なパフォーマンスメトリクスについては、パフォーマンスメトリクス セクションを確認してください。

Link to this sectionYOLOv8 モデルのトレーニング方法は？#

YOLOv8 モデルのトレーニングは Python または CLI を使用して実行できます。以下は、COCO で事前学習済みの YOLOv8 モデルを使用して、COCO8 データセットを 100 エポック 分トレーニングする例です。

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)

詳細については、トレーニング ドキュメントを参照してください。

Link to this sectionYOLOv8 モデルのパフォーマンスをベンチマークできますか？#

はい、YOLOv8 モデルは、さまざまなエクスポート形式にわたって速度と精度の観点からベンチマーク可能です。PyTorch、ONNX、TensorRT などを使用してベンチマークを実行できます。以下は、Python および CLI を使用したベンチマーク実行コマンドの例です。

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)

詳細については、パフォーマンスメトリクス セクションを参照してください。