Ultralytics YOLOv8 살펴보기

개요

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.

YOLOv8의 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.

지원되는 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.

성능 지표

YOLOv8 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")

인용 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.

FAQ

YOLOv8이란 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.

다양한 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.

YOLOv8 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.

YOLOv8 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.

YOLOv8 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.