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 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 ponta, resultando numa melhoria do desempenho de extração de características e de deteção de objetos.
• Ultralytics Head dividido e sem âncoras: o YOLOv8 adota um Ultralytics head dividido e sem âncoras, o que contribui para uma melhor precisão e um processo de deteção mais eficiente em comparação com abordagens baseadas em âncoras.
• Otimização do compromisso 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 gama de modelos pré-treinados para responder a várias tarefas e requisitos de desempenho, facilitando a escolha do modelo adequado para o teu caso de utilização específico.

Tarefas e modos suportados#

A série YOLOv8 oferece uma gama diversificada de modelos, cada um especializado em tarefas específicas de visão computacional. Estes modelos foram concebidos para responder a vários 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 operacionais, incluindo Inferência, Validação, Treino e Exportação, facilitando a sua utilização em diferentes fases da implementação e do desenvolvimento.

Esta tabela apresenta uma visão geral das variantes de modelos YOLOv8, destacando a sua aplicabilidade em tarefas específicas e a compatibilidade com vários modos operacionais, como Inferência, Validação, Treino e Exportação. Demonstra a versatilidade e robustez da série YOLOv8, tornando os modelos adequados para diversas aplicações de visão computacional.

Métricas de desempenho#

Exemplos de utilização do YOLOv8#

Este exemplo apresenta exemplos simples de treino e inferência com o YOLOv8. Para consultar a documentação completa sobre estes e outros modos, vê as páginas de documentação Predict, Train, Val e Export.

O exemplo abaixo refere-se aos modelos YOLOv8 Detect para deteção de objetos. Para veres outras tarefas compatíveis, consulta 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 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#