Explora o Ultralytics YOLOv8#

Visão geral#

O YOLOv8 foi lançado pela Ultralytics em 10 de janeiro de 2023, oferecendo desempenho de ponta em termos de precisão e velocidade. Com base nos avanços das versões anteriores do YOLO, o YOLOv8 introduziu novos recursos e otimizações que o tornam a escolha ideal para várias tarefas de object detection em uma ampla gama de aplicações.

Principais recursos do YOLOv8#

• Arquiteturas Avançadas de Backbone e Neck: O YOLOv8 emprega arquiteturas de backbone e neck de última geração, resultando em melhor desempenho de feature extraction e object detection.
• Head Ultralytics split sem âncoras: O YOLOv8 adota um head Ultralytics split sem âncoras, o que contribui para uma melhor precisão e um processo de detecção mais eficiente em comparação com abordagens baseadas em âncoras.
• Tradeoff otimizado de precisão e velocidade: Com foco em manter um equilíbrio ideal entre precisão e velocidade, o YOLOv8 é adequado para tarefas de detecção de objetos em tempo real em diversas áreas de aplicação.
• Variedade de modelos pré-treinados: O YOLOv8 oferece uma gama de modelos pré-treinados para atender a várias tarefas e requisitos de desempenho, facilitando a localização do modelo certo para o teu caso de uso específico.

Tarefas e modos suportados#

A série YOLOv8 oferece uma gama diversificada de modelos, cada um especializado em tarefas específicas em visão computacional. Esses modelos são projetados para atender a vários requisitos, desde detecção de objetos até tarefas mais complexas como instance segmentation, classificação, detecção de pose/pontos-chave e detecção de objetos orientados.

Cada variante da série YOLOv8 é otimizada para sua respectiva tarefa, garantindo alto desempenho e precisão. Além disso, esses modelos são compatíveis com vários modos operacionais, incluindo Inference, Validation, Training e Export, facilitando seu uso em diferentes estágios de implantação e desenvolvimento.

Esta tabela fornece uma visão geral das variantes do modelo YOLOv8, destacando sua aplicabilidade em tarefas específicas e sua compatibilidade com vários modos operacionais, como Inferência, Validação, Treinamento e Exportação. Ela demonstra a versatilidade e a robustez da série YOLOv8, tornando-os adequados para uma variedade de aplicações em computer vision.

Métricas de desempenho#

Exemplos de uso do YOLOv8#

Este exemplo fornece exemplos simples de treinamento e inferência com o YOLOv8. Para a documentação completa sobre estes e outros modes, consulte as páginas de documentação Predict, Train, Val e Export.

Observe que o exemplo abaixo é para modelos YOLOv8 Detect de detecção de objetos. Para tarefas adicionais suportadas, consulte a documentação de Segment, Classify, Pose e OBB.

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")

Citações e Agradecimentos#

Se usares o modelo YOLOv8 ou qualquer outro software deste repositório no teu trabalho, por favor cita-o usando o formato seguinte:

@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}
}

Observe que o DOI é pendente e será adicionado à citação assim que estiver disponível. Os modelos YOLOv8 são fornecidos sob as licenças AGPL-3.0 e Enterprise.

FAQ#