Ultralytics YOLOv8

Обзор

YOLOv8 Это последняя итерация серии YOLO детекторов объектов в реальном времени, предлагающая передовую производительность в плане точности и скорости. Опираясь на достижения предыдущих версий YOLO , YOLOv8 предлагает новые функции и оптимизации, которые делают его идеальным выбором для решения различных задач по обнаружению объектов в широком спектре приложений.

Смотри: Ultralytics YOLOv8 Обзор моделей

Основные характеристики

• Усовершенствованная архитектура позвоночника и шеи: на YOLOv8 используются современные архитектуры позвоночника и шеи, что позволяет повысить производительность извлечения признаков и обнаружения объектов.
• Безъякорная сплит-головка Ultralytics : YOLOv8 использует безъякорную сплит-головку Ultralytics , что способствует повышению точности и эффективности процесса обнаружения по сравнению с подходами, основанными на якорях.
• Оптимизированный компромисс между точностью и скоростью: Благодаря тому, что в центре внимания находится оптимальный баланс между точностью и скоростью, YOLOv8 подходит для задач обнаружения объектов в реальном времени в различных областях применения.
• Разнообразие предварительно обученных моделей: YOLOv8 предлагает ряд предварительно обученных моделей для решения различных задач и требований к производительности, что облегчает поиск подходящей модели для твоего конкретного случая использования.

Поддерживаемые задачи и режимы

Серия YOLOv8 предлагает разнообразный набор моделей, каждая из которых специализируется на решении конкретных задач в области компьютерного зрения. Эти модели предназначены для удовлетворения различных требований, начиная от обнаружения объектов и заканчивая более сложными задачами, такими как сегментация объектов, определение положения/ключевых точек, обнаружение ориентированных объектов и классификация.

Каждый вариант серии YOLOv8 оптимизирован под соответствующую задачу, что обеспечивает высокую производительность и точность. Кроме того, эти модели совместимы с различными режимами работы, включая Inference, Validation, Training и Export, что облегчает их использование на разных этапах развертывания и разработки.

В этой таблице представлен обзор вариантов моделей YOLOv8 , подчеркивающий их применимость в конкретных задачах и совместимость с различными рабочими режимами, такими как Inference, Validation, Training и Export. Она демонстрирует универсальность и надежность моделей серии YOLOv8 , что делает их подходящими для различных приложений в области компьютерного зрения.

Показатели производительности

Примеры использования

В этом примере приведены простые примеры обучения и вывода YOLOv8 . Полную документацию по этим и другим режимам можно найти на страницах Predict, Train, Val и Export docs.

Обрати внимание, что ниже приведен пример с моделями YOLOv8 Detect для обнаружения объектов. О дополнительных поддерживаемых задачах читай в документах Segment, Classify, OBB и 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

Цитаты и благодарности

Если ты используешь в своей работе модель YOLOv8 или любое другое программное обеспечение из этого репозитория, пожалуйста, цитируй его, используя следующий формат:

@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}
}

Обрати внимание, что DOI находится на рассмотрении и будет добавлен в цитату, как только станет доступен. Модели YOLOv8 предоставляются под лицензиями AGPL-3.0 и Enterprise лицензиями.

ВОПРОСЫ И ОТВЕТЫ

Что такое YOLOv8 и чем она отличается от предыдущих версий YOLO ?

YOLOv8 Это последняя итерация серии Ultralytics YOLO , разработанная для улучшения производительности обнаружения объектов в реальном времени с помощью расширенных возможностей. В отличие от предыдущих версий, YOLOv8 включает в себя безъякорную разъемную Ultralytics головку, современные архитектуры позвоночника и шеи, а также предлагает оптимизированный компромисс между точностью и скоростью, что делает его идеальным для различных приложений. Более подробную информацию ты найдешь в разделах "Обзор" и "Ключевые особенности".

Как я могу использовать YOLOv8 для различных задач компьютерного зрения?

YOLOv8 поддерживает широкий спектр задач компьютерного зрения, включая обнаружение объектов, сегментацию объектов, определение положения/ключевых точек, обнаружение ориентированных объектов и классификацию. Каждый вариант модели оптимизирован под конкретную задачу и совместим с различными режимами работы, такими как Inference, Validation, Training и Export. Подробнее об этом читай в разделе " Поддерживаемые задачи и режимы ".

Каковы показатели производительности моделей YOLOv8 ?

YOLOv8 Модели достигают самых высоких показателей в различных бенчмарках. Например, модель YOLOv8n достигает mAP (средняя точность) 37,3 на наборе данных COCO и скорости 0,99 мс на A100 TensorRT. Подробные показатели производительности для каждого варианта модели в различных задачах и наборах данных можно найти в разделе Performance Metrics.

Как обучить модель YOLOv8 ?

Для обучения модели YOLOv8 можно использовать либо Python , либо CLI. Ниже приведены примеры обучения модели с использованием COCO-предтренированной модели YOLOv8 на наборе данных COCO8 в течение 100 эпох:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

Более подробную информацию можно найти в документации по обучению.

Могу ли я провести бенчмаркинг моделей YOLOv8 на предмет производительности?

Да, модели YOLOv8 можно сравнивать по производительности с точки зрения скорости и точности в различных форматах экспорта. Для бенчмаркинга ты можешь использовать PyTorch, ONNX, TensorRT и другие. Ниже приведены примеры команд для бенчмаркинга с использованием Python и CLI:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

За дополнительной информацией обращайся к разделу " Показатели производительности ".

📅 Создано 1 год назад ✏️ Обновлено 12 дней назад

Комментарии