Изучите Ultralytics YOLOv8

Обзор

Ultralytics выпустила YOLOv8 10 января 2023 года, предложив передовую производительность с точки зрения точности и скорости. Основываясь на достижениях предыдущих версий YOLO, YOLOv8 представила новые функции и оптимизации, которые делают ее идеальным выбором для различных задач обнаружения объектов в широком спектре приложений.

Смотреть: Обзор моделей Ultralytics YOLOv8

Ключевые особенности YOLOv8

• Передовые архитектуры Backbone и Neck: YOLOv8 использует самые современные архитектуры backbone и neck, что приводит к улучшенному извлечению признаков и производительности обнаружения объектов.
• Ultralytics Head без привязки к якорям: В YOLOv8 используется Ultralytics Head без привязки к якорям, что способствует повышению точности и эффективности процесса обнаружения по сравнению с подходами, основанными на якорях.
• Оптимизированный компромисс между точностью и скоростью: Ориентируясь на поддержание оптимального баланса 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 различных задач и требований к производительности, что упрощает поиск подходящей модели для вашего конкретного случая использования.

Поддерживаемые задачи и режимы

Серия YOLOv8 предлагает широкий спектр моделей, каждая из которых специализируется на конкретных задачах в области компьютерного зрения. Эти модели предназначены для удовлетворения различных требований, от обнаружения объектов до более сложных задач, таких как сегментация экземпляров, обнаружение позы/ключевых точек, обнаружение ориентированных объектов и классификация.

Каждый вариант серии YOLOv8 оптимизирован для своей конкретной задачи, что обеспечивает высокую производительность и точность. Кроме того, эти модели совместимы с различными режимами работы, включая вывод, валидацию, обучение и экспорт, что облегчает их использование на различных этапах развертывания и разработки.

В этой таблице представлен обзор вариантов моделей YOLOv8, в котором освещается их применимость в конкретных задачах и их совместимость с различными режимами работы, такими как вывод, валидация, обучение и экспорт. Это демонстрирует универсальность и надежность серии YOLOv8, что делает их подходящими для различных приложений в области компьютерного зрения.

Метрики производительности

YOLOv8 Примеры использования

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

Обратите внимание, что приведенный ниже пример предназначен для моделей YOLOv8 Detect для обнаружения объектов. Для получения информации о дополнительных поддерживаемых задачах см. документацию 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

Цитирование и благодарности

Если вы используете модель YOLOv8 или любое другое программное обеспечение из этого репозитория в своей работе, пожалуйста, сошлитесь 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}
}

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

Часто задаваемые вопросы

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

YOLOv8 разработан для улучшения производительности обнаружения объектов в реальном времени с помощью расширенных функций. В отличие от более ранних версий, YOLOv8 включает anchor-free split Ultralytics head, современные архитектуры backbone и neck, а также предлагает оптимизированный компромисс между точностью и скоростью, что делает его идеальным для различных приложений. Для получения более подробной информации ознакомьтесь с разделами «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 экземпляров, обнаружение позы/ключевых точек, обнаружение ориентированных объектов и классификацию. Каждый вариант модели оптимизирован для своей конкретной задачи и совместим с различными режимами работы, такими как Inference, Validation, Training и Export. Обратитесь к разделу Поддерживаемые задачи и режимы для получения дополнительной информации.

Каковы метрики производительности для моделей YOLOv8?

Модели YOLOv8 демонстрируют современную производительность в различных наборах данных для бенчмаркинга. Например, модель YOLOv8n достигает mAP (средняя точность) 37,3 на наборе данных COCO и скорости 0,99 мс на A100 TensorRT. Подробные метрики производительности для каждого варианта модели в различных задачах и наборах данных можно найти в разделе Метрики производительности.

Как обучить модель YOLOv8?

Обучение модели YOLOv8 можно выполнить с помощью Python или CLI. Ниже приведены примеры обучения модели с использованием предварительно обученной на COCO 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

Для получения более подробной информации посетите документацию по Обучению.

Можно ли протестировать модели YOLOv8 для оценки производительности?

Да, модели YOLOv8 можно оценивать на производительность с точки зрения скорости и точности в различных форматах экспорта. Вы можете использовать PyTorch, ONNX, TensorRT и другие форматы для оценки. Ниже приведены примеры команд для оценки 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

Для получения дополнительной информации ознакомьтесь с разделом Метрики производительности.

📅 Создано 2 года назад ✏️ Обновлено 22 дня назад

Комментарии