YOLOv8

개요

YOLOv8 는 정확도와 속도 면에서 최첨단 성능을 제공하는 실시간 물체 인식기 YOLO 시리즈의 최신 버전입니다. 이전 YOLO 버전의 발전된 기능을 바탕으로 YOLOv8 은 새로운 기능과 최적화를 도입하여 다양한 애플리케이션의 다양한 물체 감지 작업에 이상적인 선택이 될 것입니다.

Watch: Ultralytics YOLOv8 모델 개요

주요 기능

• 고급 백본 및 넥 아키텍처: YOLOv8 은 최첨단 백본 및 넥 아키텍처를 사용하여 특징 추출 및 객체 감지 성능을 향상시킵니다.
• 앵커 프리 스플릿 Ultralytics 헤드: YOLOv8 앵커 프리 스플릿 Ultralytics 헤드를 채택하여 앵커 기반 접근 방식에 비해 더 나은 정확도와 효율적인 탐지 프로세스에 기여합니다.
• 최적화된 정확도-속도 트레이드오프: 정확도와 속도 간의 최적의 균형을 유지하는 데 중점을 둔 YOLOv8 은 다양한 애플리케이션 영역의 실시간 물체 감지 작업에 적합합니다.
• 다양한 사전 학습 모델: YOLOv8 에서는 다양한 작업 및 성능 요구 사항을 충족하는 다양한 사전 학습 모델을 제공하므로 특정 사용 사례에 적합한 모델을 쉽게 찾을 수 있습니다.

지원되는 작업 및 모드

YOLOv8 시리즈는 컴퓨터 비전의 특정 작업에 특화된 다양한 모델을 제공합니다. 이러한 모델은 객체 감지부터 인스턴스 분할, 포즈/키포인트 감지, 방향성 객체 감지 및 분류와 같은 보다 복잡한 작업까지 다양한 요구 사항을 충족하도록 설계되었습니다.

YOLOv8 시리즈의 각 변형은 각 작업에 최적화되어 있어 높은 성능과 정확성을 보장합니다. 또한 이러한 모델은 추론, 검증, 교육, 내보내기 등 다양한 운영 모드와 호환되므로 배포 및 개발의 여러 단계에서 쉽게 사용할 수 있습니다.

이 표는 YOLOv8 모델 변형에 대한 개요를 제공하며, 특정 작업에서의 적용 가능성과 추론, 검증, 훈련, 내보내기 등 다양한 작동 모드와의 호환성을 강조합니다. 컴퓨터 비전의 다양한 애플리케이션에 적합한 YOLOv8 시리즈의 다목적성과 견고함을 보여줍니다.

성능 지표

사용 예

이 예는 간단한 YOLOv8 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 설명서는 예측, 학습, Val 및 내보내기 문서 페이지를 참조하세요.

아래 예는 YOLOv8 객체 감지를 위한 모델감지용 예제입니다. 추가로 지원되는 작업은 세그먼트, 분류, OBB 문서 및 포즈 문서를 참조하세요.

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')

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

인용 및 감사

YOLOv8 모델 또는 이 리포지토리의 다른 소프트웨어를 작업에 사용하는 경우 다음 형식을 사용하여 인용해 주세요:

@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 보류 중이며 사용 가능해지는 대로 인용에 추가될 예정입니다. YOLOv8 모델은 아래에서 제공됩니다. AGPL-3.0 및 엔터프라이즈 라이선스로 제공됩니다.

댓글