Ultralytics YOLOv8

Обзор

YOLOv8 is the latest iteration in the YOLO series of real-time object detectors, offering cutting-edge performance in terms of accuracy and speed. Building upon the advancements of previous YOLO versions, YOLOv8 introduces new features and optimizations that make it an ideal choice for various object detection tasks in a wide range of applications.

Смотри: Ultralytics YOLOv8 Обзор моделей

Основные характеристики

• Advanced Backbone and Neck Architectures: YOLOv8 employs state-of-the-art backbone and neck architectures, resulting in improved feature extraction and object detection performance.
• 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

The YOLOv8 series offers a diverse range of models, each specialized for specific tasks in computer vision. These models are designed to cater to various requirements, from object detection to more complex tasks like instance segmentation, pose/keypoints detection, oriented object detection, and classification.

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.

This table provides an overview of the YOLOv8 model variants, highlighting their applicability in specific tasks and their compatibility with various operational modes such as Inference, Validation, Training, and Export. It showcases the versatility and robustness of the YOLOv8 series, making them suitable for a variety of applications in computer vision.

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 is the latest iteration in the Ultralytics YOLO series, designed to improve real-time object detection performance with advanced features. Unlike earlier versions, YOLOv8 incorporates an anchor-free split Ultralytics head, state-of-the-art backbone and neck architectures, and offers optimized accuracy-speed tradeoff, making it ideal for diverse applications. For more details, check the Overview and Key Features sections.

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 ?

Training a YOLOv8 model can be done using either Python or CLI. Below are examples for training a model using a COCO-pretrained YOLOv8 model on the COCO8 dataset for 100 epochs:

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 ".

📅 Created 11 months ago ✏️ Updated 10 days ago

Комментарии