Link to this sectionИзучи Ultralytics YOLOv8#

Link to this sectionОбзор#

YOLOv8 была выпущена компанией Ultralytics 10 января 2023 года, предлагая передовую производительность с точки зрения точности и скорости. Основываясь на достижениях предыдущих версий YOLO, YOLOv8 представила новые функции и оптимизации, которые делают её идеальным выбором для различных задач object detection в широком спектре приложений.

Link to this sectionКлючевые особенности YOLOv8#

• Передовые архитектуры backbone и neck: YOLOv8 использует современные архитектуры backbone и neck, что приводит к улучшенному feature extraction и производительности object detection.
• Anchor-free разделенная Ultralytics head: YOLOv8 использует anchor-free разделенную Ultralytics head, что способствует повышению точности и более эффективному процессу детектирования по сравнению с подходами на основе anchors.
• Оптимизированный баланс точности и скорости: Ориентируясь на поддержание оптимального баланса между точностью и скоростью, YOLOv8 подходит для задач real-time object detection в различных прикладных областях.
• Разнообразие предобученных моделей: YOLOv8 предлагает ряд предобученных моделей для выполнения различных задач и соответствия требованиям производительности, что упрощает выбор подходящей модели для твоего конкретного кейса.

Link to this sectionПоддерживаемые задачи и режимы#

Серия YOLOv8 предлагает широкий спектр моделей, каждая из которых специализируется на определенных задачах в области компьютерного зрения. Эти модели разработаны для соответствия различным требованиям, от object detection до более сложных задач, таких как instance segmentation, детекция позы/ключевых точек, ориентированное детектирование объектов и классификация.

Каждый вариант серии YOLOv8 оптимизирован для своей конкретной задачи, обеспечивая высокую производительность и точность. Кроме того, эти модели совместимы с различными рабочими режимами, включая Inference, Validation, Training и Export, что облегчает их использование на разных этапах развертывания и разработки.

Эта таблица представляет собой обзор вариантов моделей YOLOv8, подчеркивая их применимость в конкретных задачах и совместимость с различными рабочими режимами, такими как Inference, Validation, Training и Export. Она демонстрирует универсальность и надежность серии YOLOv8, что делает их подходящими для множества приложений в computer vision.

Link to this sectionМетрики производительности#

Link to this sectionПримеры использования YOLOv8#

Этот пример содержит простые примеры обучения и инференса YOLOv8. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.

Обрати внимание, что приведенный ниже пример относится к моделям YOLOv8 Detect для обнаружения объектов. Другие поддерживаемые задачи смотри в документации 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")

Link to this sectionЦитирование и благодарности#

Если ты используешь модель YOLOv8 или любое другое программное обеспечение из этого репозитория в своей работе, пожалуйста, сошлися на него, 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}
}

Пожалуйста, обрати внимание, что DOI находится в процессе получения и будет добавлен в цитирование, как только станет доступен. Модели YOLOv8 предоставляются по лицензиям AGPL-3.0 и Enterprise.

Link to this sectionFAQ#

Link to this sectionЧто такое YOLOv8 и чем она отличается от предыдущих версий YOLO?#

YOLOv8 разработана для повышения производительности обнаружения объектов в реальном времени с помощью продвинутых функций. В отличие от более ранних версий, YOLOv8 включает в себя anchor-free split Ultralytics head, самые современные архитектуры backbone и neck, а также предлагает оптимизированный баланс точности и скорости, что делает её идеальной для широкого спектра приложений. Более подробную информацию смотри в разделах Обзор и Ключевые особенности.

Link to this sectionКак я могу использовать YOLOv8 для различных задач компьютерного зрения?#

YOLOv8 поддерживает широкий спектр задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, обнаружение поз/ключевых точек, ориентированное обнаружение объектов и классификацию. Каждая модель оптимизирована под конкретную задачу и совместима с различными рабочими режимами, такими как Inference, Validation, Training и Export. Для получения дополнительной информации обратись к разделу Поддерживаемые задачи и режимы.

Link to this sectionКаковы показатели производительности моделей YOLOv8?#

Модели YOLOv8 демонстрируют передовую производительность на различных эталонных наборах данных. Например, модель YOLOv8n достигает mAP (средней точности) 37.3 на наборе данных COCO и скорости 0.99 мс на A100 TensorRT. Подробные показатели производительности для каждой модели по различным задачам и наборам данных можно найти в разделе Показатели производительности.

Link to this sectionКак обучить модель YOLOv8?#

Обучить модель YOLOv8 можно с помощью Python или CLI. Ниже приведены примеры обучения модели с использованием модели YOLOv8, предварительно обученной на COCO, 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)

Для получения дополнительных сведений посети документацию Обучение.

Link to this sectionМогу ли я провести бенчмаркинг моделей YOLOv8 на производительность?#

Да, модели YOLOv8 можно протестировать на производительность с точки зрения скорости и точности для различных форматов экспорта. Ты можешь использовать PyTorch, ONNX, TensorRT и другие для бенчмаркинга. 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, device=0)

Для получения дополнительной информации загляни в раздел Показатели производительности.