Ultralytics YOLOv8の探索

概要

YOLOv8は2023年1月10日にUltralyticsからリリースされ、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バージョンの進化を基盤とし、YOLOv8は新しい機能と最適化を導入したことで、さまざまな物体検出タスクや幅広いアプリケーションにおいて理想的な選択肢となっています。

YOLOv8のパフォーマンス比較チャート

Watch: Ultralytics YOLOv8 Model Overview

Ultralytics Platformで試す

YOLOv8モデルを直接探索し実行する：Ultralytics Platform.

YOLOv8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、特徴抽出と物体検出パフォーマンスが向上しています。
アンカーフリー分割Ultralyticsヘッド：YOLOv8はアンカーフリーの分割されたUltralyticsヘッドを採用しており、これはアンカーベースのアプローチと比較して精度の向上とより効率的な検出プロセスに寄与しています。
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た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物体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対応する幅広い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最適なモデルを容易に見つけることができます。

サポートされているタスクとモード

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、物体検出から、より複雑な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、分類まで、さまざまな要件に応え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に合わせて最適化されており、高いパフォーマンスと精度を保証します。さらに、これらのモデルは以下を含む様々な運用モードと互換性があり、Inference, バリデーション, トレーニング、およびエクスポートデプロイメントや開発のさまざまな段階での使用を容易にします。

モデル	ファイル名	タスク	Inference	バリデーション	トレーニング	エクスポート
YOLOv8	`yolov8n.pt` `yolov8s.pt` `yolov8m.pt` `yolov8l.pt` `yolov8x.pt`	検出	✅	✅	✅	✅
YOLOv8-seg	`yolov8n-seg.pt` `yolov8s-seg.pt` `yolov8m-seg.pt` `yolov8l-seg.pt` `yolov8x-seg.pt`	インスタンスセグメンテーション	✅	✅	✅	✅
YOLOv8-pose	`yolov8n-pose.pt` `yolov8s-pose.pt` `yolov8m-pose.pt` `yolov8l-pose.pt` `yolov8x-pose.pt` `yolov8x-pose-p6.pt`	ポーズ/キーポイント	✅	✅	✅	✅
YOLOv8-obb	`yolov8n-obb.pt` `yolov8s-obb.pt` `yolov8m-obb.pt` `yolov8l-obb.pt` `yolov8x-obb.pt`	回転物体検出	✅	✅	✅	✅
YOLOv8-cls	`yolov8n-cls.pt` `yolov8s-cls.pt` `yolov8m-cls.pt` `yolov8l-cls.pt` `yolov8x-cls.pt`	分類	✅	✅	✅	✅

この表はYOLOv8モデルバリアントの概要を提供し、特定のタスクへの適用可能性、および推論、検証、トレーニング、エクスポート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シリーズの多用途性と堅牢性を示しており、コンピュータビジョン.

性能指標

パフォーマンス

80の事前学習済みクラスを含むDetection Docsで、COCOで学習されたこれらのモデルの使用例をご覧ください。

モデル	サイズ ^{(ピクセル)}	mAP^val 50-95	Speed ^{CPU ONNX (ms)}	Speed ^{A100 TensorRT (ms)}	パラメータ ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

YOLOv8の使用例

この例では、簡単なYOLOv8の学習および推論の例を紹介します。これらやその他の詳細なドキュメントについては、モードを参照してください。予測, トレーニング, 検証とエクスポートドキュメントページ。

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

例

PyTorch 学習済み*.pt モデル、および設定*.yaml ファイルをYOLO() クラスに渡すことで、Pythonでモデルインスタンスを作成できます。

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")

引用と謝辞

Ultralytics YOLOv8の出版物

Ultralyticsは、モデルの急速な進化を考慮し、YOLOv8に関する正式な研究論文を出版していません。私たちは静的なドキュメントを作成することよりも、テクノロジーの進歩と使いやすさの向上に注力しています。YOLOのアーキテクチャ、機能、使用方法に関する最新情報については、GitHubリポジトリとドキュメント.

お仕事でYOLOv8モデルや本リポジトリの他のソフトウェアを使用する場合は、以下の形式で引用してください。

引用

@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、引用に追加されます。YOLOv8モデルはAGPL-3.0とEnterprise ライセンスの下で提供されています。

共に Ultralytics YOLO エコシステムのトラッキング機能を強化しましょう 🙏！

YOLOv8とは何ですか？また、従来のYOLOバージョンとどう違いますか？

YOLOv8は、高度な機能によりリアルタイム物体検出性能を向上させるよう設計されています。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-速度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、概要と主な機能セクションを確認してください。

YOLOv8をさまざまなコンピュータビジョンのタスクに使用するにはどうすればよいですか？

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向けに最適化されており、Inference, バリデーション, トレーニング、およびエクスポートなどのさまざまな動作モードと互換性があります。以下を参照してください。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。

YOLOv8モデルのパフォーマンスメトリクスは何ですか？

YOLOv8モデルは、さまざまなベンチマークデータセット全体で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mAP (mean Average Precision) 37.3を達成し、A100 TensorRT上で0.99 msの速度を記録しています。各タスクおよびデータセットごとの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は、性能指標セクションを参照してください。

YOLOv8モデルを学習するにはどうすればよいですか？

YOLOv8モデルの学習は、PythonまたはCLIを使用して行えます。以下は、COCOで学習済みのYOLOv8モデルを使用して、COCO8データセットで100エポック:

例

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)

学習するための例です。詳細は、トレーニングExport Mode

を参照してください。YOLOv8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全体での速度と精度の観点から、パフォーマンスのベンチマークが可能です。ベンチマークにはPyTorch、ONNX、TensorRTなどを使用できます。以下は、PythonとCLIを使用したベンチマークのコマンド例です。

例

from ultralytics.utils.benchmarks import benchmark

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

詳細については、性能指標セクションを参照してください。