Explora o Ultralytics YOLOv8#

Visão geral#

O YOLOv8 foi lançado pelo Ultralytics a 10 de janeiro de 2023, oferecendo um desempenho de ponta em termos de precisão e velocidade. Com base nos avanços das versões anteriores do YOLO, o YOLOv8 introduziu novas funcionalidades e otimizações que o tornam uma escolha ideal para várias tarefas de deteção de objetos numa vasta gama de aplicações.

Principais funcionalidades do YOLOv8#

• Arquiteturas avançadas de backbone e neck: o YOLOv8 utiliza arquiteturas de backbone e neck de última geração, resultando em melhor desempenho na extração de características e na deteção de objetos.
• Cabeça Ultralytics dividida sem âncoras: o YOLOv8 adota uma cabeça Ultralytics dividida sem âncoras, o que contribui para uma maior precisão e um processo de deteção mais eficiente em comparação com as abordagens baseadas em âncoras.
• Equilíbrio otimizado entre precisão e velocidade: com foco em manter um equilíbrio ideal entre precisão e velocidade, o YOLOv8 é adequado para tarefas de deteção de objetos em tempo real em diversas áreas de aplicação.
• Variedade de modelos pré-treinados: o YOLOv8 oferece uma variedade de modelos pré-treinados para atender a diferentes tarefas e requisitos de desempenho, facilitando a escolha do modelo certo para o teu caso de uso específico.

Tarefas e modos compatíveis#

A série YOLOv8 oferece uma variedade de modelos, cada um especializado em tarefas específicas de visão computacional. Estes modelos foram concebidos para atender a diversos requisitos, desde a deteção de objetos até tarefas mais complexas, como segmentação de instâncias, classificação, deteção de pose/pontos-chave e deteção de objetos orientados.

Cada variante da série YOLOv8 é otimizada para a respetiva tarefa, garantindo elevado desempenho e precisão. Além disso, estes modelos são compatíveis com vários modos de operação, incluindo Inferência, Validação, Treino e Exportação, facilitando a utilização em diferentes fases de implementação e desenvolvimento.

Esta tabela apresenta uma visão geral das variantes do modelo YOLOv8, destacando a sua aplicabilidade em tarefas específicas e a compatibilidade com vários modos de operação, como Inferência, Validação, Treino e Exportação. Mostra a versatilidade e a robustez da série YOLOv8, tornando-a adequada para diversas aplicações em visão computacional.

Métricas de desempenho#

Exemplos de utilização do YOLOv8#

Este exemplo apresenta exemplos simples de treino e inferência com YOLOv8. Para consultar a documentação completa destes e de outros modos, vê as páginas de documentação de Predição, Treino, Validação e Exportação.

Nota: o exemplo abaixo destina-se a modelos YOLOv8 de deteção de objetos. Para consultar outras tarefas suportadas, vê a documentação de Segmentação, Classificação, Pose e OBB.

from ultralytics import YOLO

# Carrega um modelo YOLOv8n pré-treinado com COCO
model = YOLO("yolov8n.pt")

# Exibir informações do modelo (opcional)
model.info()

# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executa a inferência com o modelo YOLOv8n na imagem 'bus.jpg'
results = model("path/to/bus.jpg")

Citações e agradecimentos#

Se utilizares o modelo YOLOv8 ou qualquer outro software deste repositório no teu trabalho, cita-o utilizando o seguinte formato:

@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}
}

Tem em atenção que o DOI está pendente e será adicionado à citação assim que estiver disponível. Os modelos YOLOv8 são disponibilizados ao abrigo das licenças AGPL-3.0 e Enterprise.

Perguntas frequentes#