YOLOv8

Overzicht

YOLOv8 is de nieuwste iteratie in de YOLO serie van realtime objectdetectoren en biedt baanbrekende prestaties op het gebied van nauwkeurigheid en snelheid. Voortbouwend op de verbeteringen van eerdere YOLO versies, introduceert YOLOv8 nieuwe functies en optimalisaties die het een ideale keuze maken voor diverse objectdetectietaken in een breed scala aan toepassingen.

Kijken: Ultralytics YOLOv8 Overzicht modellen

Belangrijkste kenmerken

• Geavanceerde ruggengraat- en nekarchitectuur: YOLOv8 maakt gebruik van geavanceerde ruggengraat- en nekarchitectuur, wat resulteert in betere extractie van eigenschappen en detectie van objecten.
• Ankerloze Split Ultralytics Head: YOLOv8 maakt gebruik van een ankerloze Split Ultralytics head, die bijdraagt aan een betere nauwkeurigheid en een efficiënter detectieproces in vergelijking met ankergebaseerde benaderingen.
• Geoptimaliseerde afweging tussen nauwkeurigheid en snelheid: Met een focus op het handhaven van een optimale balans tussen nauwkeurigheid en snelheid, is YOLOv8 geschikt voor real-time objectdetectietaken in diverse toepassingsgebieden.
• Verscheidenheid aan voorgetrainde modellen: YOLOv8 biedt een reeks voorgetrainde modellen voor verschillende taken en prestatie-eisen, waardoor het eenvoudiger wordt om het juiste model te vinden voor jouw specifieke toepassing.

Ondersteunde taken en modi

De YOLOv8 serie biedt een breed scala aan modellen, elk gespecialiseerd voor specifieke taken in computer vision. Deze modellen zijn ontworpen om aan verschillende eisen te voldoen, van objectdetectie tot complexere taken zoals objectsegmentatie, pose-/keypuntdetectie, georiënteerde objectdetectie en classificatie.

Elke variant van de YOLOv8 serie is geoptimaliseerd voor de respectievelijke taak en garandeert hoge prestaties en nauwkeurigheid. Bovendien zijn deze modellen compatibel met verschillende operationele modi, waaronder Inferentie, Validatie, Training en Export, waardoor ze gemakkelijker te gebruiken zijn in verschillende stadia van inzet en ontwikkeling.

Deze tabel geeft een overzicht van de modelvarianten op YOLOv8 , waarbij hun toepasbaarheid in specifieke taken en hun compatibiliteit met verschillende bedrijfsmodi zoals Inferentie, Validatie, Training en Export worden benadrukt. Het toont de veelzijdigheid en robuustheid van de YOLOv8 serie, waardoor ze geschikt zijn voor een verscheidenheid aan toepassingen in computer vision.

Prestatiecijfers

Voorbeelden

Dit voorbeeld geeft eenvoudige YOLOv8 training en inferentie voorbeelden. Voor volledige documentatie over deze en andere modi zie de Predict, Train, Val en Export docs pagina's.

Let op het onderstaande voorbeeld is voor YOLOv8 Detect modellen voor objectdetectie. Zie voor aanvullende ondersteunde taken de docs Segment, Classify, OBB en Pose.

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

Citaten en Erkenningen

Als je het YOLOv8 model of andere software uit dit archief gebruikt in je werk, citeer het dan met de volgende opmaak:

@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}
}

Houd er rekening mee dat de DOI nog in behandeling is en aan de citatie zal worden toegevoegd zodra deze beschikbaar is. YOLOv8 modellen worden geleverd onder AGPL-3.0 en Enterprise-licenties.

Reacties