Изучите Ultralytics YOLOv8#

Обзор#

YOLOv8 выпущена компанией Ultralytics 10 января 2023 года и обеспечивает передовые показатели точности и скорости. Развивая достижения предыдущих версий YOLO, YOLOv8 представила новые функции и оптимизации, которые делают её идеальным выбором для различных задач обнаружения объектов в самых разных приложениях.

Ключевые особенности YOLOv8#

• Продвинутые архитектуры backbone и neck: YOLOv8 использует современные архитектуры backbone и neck, обеспечивая улучшенные показатели извлечения признаков и обнаружения объектов.
• Разделённая безанкорная голова Ultralytics: YOLOv8 использует разделённую безанкорную голову Ultralytics, которая обеспечивает более высокую точность и эффективный процесс обнаружения по сравнению с подходами на основе anchor.
• Оптимизированный компромисс между точностью и скоростью: Благодаря фокусу на оптимальном балансе точности и скорости YOLOv8 подходит для задач обнаружения объектов в реальном времени в различных прикладных областях.
• Разнообразие предварительно обученных моделей: YOLOv8 предлагает ряд предварительно обученных моделей для различных задач и требований к производительности, упрощая выбор подходящей модели для твоего конкретного сценария использования.

Поддерживаемые задачи и режимы#

Серия YOLOv8 предлагает разнообразные модели, каждая из которых специализируется на определённых задачах компьютерного зрения. Эти модели рассчитаны на различные требования — от обнаружения объектов до более сложных задач, таких как сегментация экземпляров, классификация, обнаружение позы/ключевых точек и обнаружение ориентированных объектов.

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

В этой таблице представлен обзор вариантов моделей YOLOv8 с указанием их применимости для конкретных задач и совместимости с различными рабочими режимами, такими как Inference, Validation, Training и Export. Она демонстрирует универсальность и надёжность серии YOLOv8, благодаря чему модели подходят для самых разных приложений в области компьютерного зрения.

Метрики производительности#

Примеры использования YOLOv8#

В этом примере приведены простые примеры обучения и инференса YOLOv8. Полную документацию по этим и другим режимам см. на страницах документации Predict, Train, Val и Export.

Обрати внимание: приведённый ниже пример предназначен для моделей YOLOv8 Detect для обнаружения объектов. Информацию о дополнительных поддерживаемых задачах см. в документации по Segment, Classify, Pose и 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")

Цитирование и благодарности#

Если ты используешь модель YOLOv8 или любое другое программное обеспечение из этого репозитория в своей работе, укажи его в публикации в следующем формате:

@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: DOI пока не присвоен и будет добавлен в библиографическое описание, как только станет доступен. Модели YOLOv8 предоставляются по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы#