Link to this sectionUltralytics YOLOv8 살펴보기#

Link to this section개요#

YOLOv8는 Ultralytics가 2023년 1월 10일에 출시한 모델로, 정확도와 속도 측면에서 최첨단 성능을 제공합니다. 이전 YOLO 버전의 발전을 기반으로 하는 YOLOv8은 다양한 애플리케이션의 객체 탐지 작업에 이상적인 선택이 될 수 있는 새로운 기능과 최적화 요소를 도입했습니다.

Link to this sectionYOLOv8의 주요 특징#

• 고급 백본 및 넥 아키텍처: YOLOv8은 최신 백본 및 넥 아키텍처를 사용하여 특징 추출 및 객체 탐지 성능을 향상시켰습니다.
• 앵커 프리 분할 Ultralytics 헤드: YOLOv8은 앵커 프리 분할 Ultralytics 헤드를 채택하여 앵커 기반 접근 방식보다 더 높은 정확도와 효율적인 탐지 프로세스를 제공합니다.
• 최적화된 정확도-속도 트레이드오프: 정확도와 속도 간의 최적 균형을 유지하는 데 중점을 둔 YOLOv8은 다양한 애플리케이션 영역에서 실시간 객체 탐지 작업에 적합합니다.
• 다양한 사전 학습 모델: YOLOv8은 다양한 작업과 성능 요구 사항을 충족하기 위한 일련의 사전 학습 모델을 제공하므로, 특정 사용 사례에 적합한 모델을 쉽게 찾을 수 있습니다.

Link to this section지원되는 태스크 및 모드#

YOLOv8 시리즈는 컴퓨터 비전의 특정 작업에 특화된 다양한 모델을 제공합니다. 이 모델들은 객체 탐지부터 인스턴스 분할, 포즈/키포인트 탐지, 지향성 객체 탐지, 분류와 같은 복잡한 작업까지 다양한 요구 사항을 충족하도록 설계되었습니다.

YOLOv8 시리즈의 각 변형 모델은 해당 작업에 최적화되어 높은 성능과 정확도를 보장합니다. 또한 이 모델들은 추론, 검증, 학습, 내보내기를 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 추론, 검증, 학습 및 내보내기와 같은 다양한 운영 모드와의 호환성을 강조합니다. 이는 YOLOv8 시리즈의 다양성과 견고함을 보여주며, 컴퓨터 비전 분야의 다양한 애플리케이션에 적합하게 만듭니다.

Link to this section성능 지표#

Link to this sectionYOLOv8 사용 예시#

이 예시는 간단한 YOLOv8 학습 및 추론 예시를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 문서는 예측, 학습, 검증 및 내보내기 문서 페이지를 참조하십시오.

아래 예시는 객체 감지를 위한 YOLOv8 감지 모델에 대한 것입니다. 추가 지원되는 작업은 분할, 분류, OBB 문서 및 포즈 문서를 참조하십시오.

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#

본 저장소의 YOLOv8 모델이나 기타 소프트웨어를 업무에 사용하는 경우, 다음 형식을 사용하여 인용해 주십시오:

@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 대기 중이며 사용 가능해지면 인용문에 추가될 예정입니다. YOLOv8 모델은 AGPL-3.0 및 엔터프라이즈 라이선스에 따라 제공됩니다.

Link to this sectionFAQ#

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

YOLOv8은 고급 기능을 통해 실시간 객체 감지 성능을 향상하도록 설계되었습니다. 이전 버전과 달리 YOLOv8은 앵커 프리 분할 Ultralytics 헤드, 최첨단 백본 및 넥 아키텍처를 통합하고, 최적화된 정확도-속도 균형을 제공하여 다양한 애플리케이션에 이상적입니다. 더 자세한 내용은 개요 및 주요 기능 섹션을 확인하십시오.

Link to this section다양한 컴퓨터 비전 작업을 위해 YOLOv8을 어떻게 사용할 수 있습니까?#

YOLOv8은 객체 감지, 인스턴스 분할, 포즈/키포인트 감지, 방향성 객체 감지 및 분류를 포함한 광범위한 컴퓨터 비전 작업을 지원합니다. 각 모델 변형은 특정 작업에 최적화되어 있으며 추론, 검증, 학습 및 내보내기와 같은 다양한 운영 모드와 호환됩니다. 자세한 정보는 지원되는 작업 및 모드 섹션을 참조하십시오.

Link to this sectionYOLOv8 모델의 성능 지표는 무엇입니까?#

YOLOv8 모델은 다양한 벤치마킹 데이터셋에서 최첨단 성능을 달성합니다. 예를 들어, YOLOv8n 모델은 COCO 데이터셋에서 37.3의 mAP(mean Average Precision)를 달성하고 A100 TensorRT에서 0.99 ms의 속도를 기록합니다. 다양한 작업 및 데이터셋에 걸친 각 모델 변형의 자세한 성능 지표는 성능 지표 섹션에서 확인할 수 있습니다.

Link to this sectionYOLOv8 모델을 어떻게 학습합니까?#

YOLOv8 모델 학습은 Python 또는 CLI를 사용하여 수행할 수 있습니다. 아래는 COCO 사전 학습된 YOLOv8 모델을 COCO8 데이터셋에서 100 에포크 동안 학습하는 예시입니다:

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)

더 자세한 내용은 학습 문서를 방문하십시오.

Link to this sectionYOLOv8 모델의 성능을 벤치마킹할 수 있습니까?#

네, YOLOv8 모델은 다양한 내보내기 형식에 걸쳐 속도와 정확도 측면에서 성능을 벤치마킹할 수 있습니다. PyTorch, ONNX, TensorRT 등을 벤치마킹에 사용할 수 있습니다. 아래는 Python과 CLI를 사용한 벤치마킹 예시 명령어입니다:

from ultralytics.utils.benchmarks import benchmark

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

추가 정보는 성능 지표 섹션을 확인하십시오.