Link to this sectionUltralytics YOLOv8 살펴보기#

Link to this section개요#

YOLOv8는 2023년 1월 10일 Ultralytics에 의해 출시되었으며, 정확도와 속도 측면에서 최첨단 성능을 제공합니다. 이전 YOLO 버전의 발전을 기반으로 하는 YOLOv8은 다양한 애플리케이션의 광범위한 object detection 작업에 이상적인 선택이 될 수 있도록 새로운 기능과 최적화를 도입했습니다.

Link to this sectionYOLOv8의 주요 기능#

• 고급 백본 및 넥 아키텍처: YOLOv8은 최신 백본 및 넥 아키텍처를 사용하여 feature extraction 및 object detection 성능을 향상시켰습니다.
• 앵커 프리 분할 Ultralytics 헤드: YOLOv8은 앵커 프리 분할 Ultralytics 헤드를 채택하여 앵커 기반 접근 방식보다 더 나은 정확도와 효율적인 탐지 프로세스를 제공합니다.
• 최적화된 정확도-속도 트레이드오프: 정확도와 속도 간의 최적의 균형을 유지하는 데 중점을 둔 YOLOv8은 다양한 응용 분야에서 실시간 객체 탐지 작업에 적합합니다.
• 다양한 사전 학습 모델: YOLOv8은 다양한 작업과 성능 요구 사항을 충족하기 위해 여러 사전 학습 모델을 제공하므로 특정 사용 사례에 맞는 모델을 쉽게 찾을 수 있습니다.

Link to this section지원되는 작업 및 모드#

YOLOv8 시리즈는 컴퓨터 비전의 특정 작업에 특화된 다양한 모델을 제공합니다. 이 모델들은 객체 탐지부터 instance segmentation, 자세/키포인트 탐지, 회전된 객체 탐지, 분류와 같은 더 복잡한 작업에 이르기까지 다양한 요구 사항을 충족하도록 설계되었습니다.

YOLOv8 시리즈의 각 변형 모델은 해당 작업에 최적화되어 높은 성능과 정확도를 보장합니다. 또한 이 모델들은 Inference, Validation, Training, Export를 포함한 다양한 운영 모드와 호환되어 배포 및 개발의 각 단계에서 쉽게 활용할 수 있습니다.

이 표는 YOLOv8 모델 변형에 대한 개요를 제공하며, 특정 작업에서의 적용 가능성과 Inference, Validation, Training, Export와 같은 다양한 운영 모드와의 호환성을 강조합니다. 이는 YOLOv8 시리즈의 다재다능함과 견고함을 보여주며, computer vision 분야의 다양한 응용 프로그램에 적합합니다.

Link to this section성능 지표#

Link to this sectionYOLOv8 사용 예시#

이 예제는 간단한 YOLOv8 학습 및 추론 예시를 제공합니다. 이러한 모드(modes) 및 기타 모드에 대한 전체 문서는 예측(Predict), 학습(Train), 검증(Val) 및 내보내기(Export) 문서 페이지를 참조하십시오.

아래 예제는 객체 탐지를 위한 YOLOv8 탐지(Detect) 모델에 대한 것임을 참고하십시오. 추가 지원되는 작업은 분할(Segment), 분류(Classify), 회전 객체 탐지(OBB) 문서 및 포즈(Pose) 문서를 확인하십시오.

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 section인용 및 감사의 글#

귀하의 작업에서 YOLOv8 모델이나 이 저장소의 소프트웨어를 사용하는 경우 다음 형식을 사용하여 인용해주시기 바랍니다:

@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}
}

DOI는 현재 보류 중이며 사용 가능해지는 대로 인용에 추가될 예정입니다. YOLOv8 모델은 AGPL-3.0 및 엔터프라이즈(Enterprise) 라이선스 하에 제공됩니다.

Link to this sectionFAQ#

Link to this sectionYOLOv8이란 무엇이며 이전 YOLO 버전과 어떻게 다른가요?#

YOLOv8은 고급 기능을 통해 실시간 객체 탐지 성능을 향상하도록 설계되었습니다. 이전 버전과 달리 YOLOv8은 앵커 프리(anchor-free) 분할 Ultralytics 헤드, 최첨단 백본(backbone) 및 넥(neck) 아키텍처를 통합하고, 최적화된 정확도(accuracy)-속도 트레이드오프를 제공하여 다양한 애플리케이션에 적합합니다. 자세한 내용은 개요 및 주요 기능 섹션을 확인하십시오.

Link to this sectionYOLOv8을 다양한 컴퓨터 비전 작업에 어떻게 사용할 수 있나요?#

YOLOv8은 객체 탐지, 인스턴스 분할, 포즈/키포인트 탐지, 회전 객체 탐지 및 분류를 포함한 광범위한 컴퓨터 비전 작업을 지원합니다. 각 모델 변형은 특정 작업에 최적화되어 있으며 추론(Inference), 검증(Validation), 학습(Training) 및 내보내기(Export)와 같은 다양한 작업 모드와 호환됩니다. 자세한 정보는 지원되는 작업 및 모드 섹션을 참조하십시오.

Link to this sectionYOLOv8 모델의 성능 지표는 무엇인가요?#

YOLOv8 모델은 다양한 벤치마킹 데이터셋에서 최첨단 성능을 달성합니다. 예를 들어, YOLOv8n 모델은 COCO 데이터셋에서 37.3의 mAP(평균 정밀도)와 A100 TensorRT에서 0.99ms의 속도를 달성합니다. 다양한 작업 및 데이터셋에 걸친 각 모델 변형의 상세 성능 지표는 성능 지표(Performance Metrics) 섹션에서 확인할 수 있습니다.

Link to this sectionYOLOv8 모델은 어떻게 학습시키나요?#

YOLOv8 모델 학습은 Python 또는 CLI를 사용하여 수행할 수 있습니다. 아래는 COCO 데이터셋으로 사전 학습된 YOLOv8 모델을 사용하여 COCO8 데이터셋에 대해 100 에포크(epochs) 동안 학습하는 예제입니다:

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)

자세한 내용은 학습(Training) 문서를 방문하십시오.

Link to this sectionYOLOv8 모델의 성능을 벤치마킹할 수 있나요?#

네, YOLOv8 모델은 다양한 내보내기 형식에 걸쳐 속도와 정확도 측면에서 성능을 벤치마킹할 수 있습니다. PyTorch, ONNX, TensorRT 등을 사용하여 벤치마킹할 수 있습니다. 아래는 Python 및 CLI를 사용하는 벤치마킹 예제 명령어입니다:

from ultralytics.utils.benchmarks import benchmark

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

추가 정보는 성능 지표(Performance Metrics) 섹션을 확인하십시오.