─░├žeri─če ge├ž

YOLOv8

Genel Bak─▒┼č

YOLOv8 YOLO serisi ger├žek zamanl─▒ nesne dedekt├Ârlerinin en son yinelemesidir ve do─čruluk ve h─▒z a├ž─▒s─▒ndan en ├╝st d├╝zeyde performans sunar. ├ľnceki s├╝r├╝mlerindeki geli┼čmelerin ├╝zerine in┼ča edilen , ├žok ├že┼čitli uygulamalarda ├že┼čitli nesne alg─▒lama g├Ârevleri i├žin ideal bir se├žim olmas─▒n─▒ sa─člayan yeni ├Âzellikler ve optimizasyonlar sunar. YOLO YOLOv8

Ultralytics YOLOv8



─░zle: Ultralytics YOLOv8 Modele Genel Bak─▒┼č

Temel ├ľzellikler

  • Geli┼čmi┼č Omurga ve Boyun Mimarileri: YOLOv8 , geli┼čmi┼č ├Âzellik ├ž─▒karma ve nesne alg─▒lama performans─▒ ile sonu├žlanan son teknoloji omurga ve boyun mimarilerini kullan─▒r.
  • ├çapas─▒z B├Âl├╝nm├╝┼č Ultralytics Ba┼čl─▒─č─▒: YOLOv8 , ├žapa tabanl─▒ yakla┼č─▒mlara k─▒yasla daha iyi do─čruluk ve daha verimli bir alg─▒lama s├╝recine katk─▒da bulunan ├žapas─▒z b├Âl├╝nm├╝┼č bir Ultralytics ba┼čl─▒─č─▒n─▒ benimser.
  • Optimize Edilmi┼č Do─čruluk-H─▒z ├ľd├╝nle┼čimi: Do─čruluk ve h─▒z aras─▒nda optimum dengeyi korumaya odaklanan YOLOv8 , ├že┼čitli uygulama alanlar─▒ndaki ger├žek zamanl─▒ nesne alg─▒lama g├Ârevleri i├žin uygundur.
  • ├çe┼čitli ├ľnceden E─čitilmi┼č Modeller: YOLOv8 , ├že┼čitli g├Ârevlere ve performans gereksinimlerine hitap etmek i├žin bir dizi ├Ânceden e─čitilmi┼č model sunar ve ├Âzel kullan─▒m durumunuz i├žin do─čru modeli bulmay─▒ kolayla┼čt─▒r─▒r.

Desteklenen G├Ârevler ve Modlar

YOLOv8 serisi, her biri bilgisayarla g├Ârme alan─▒ndaki belirli g├Ârevler i├žin uzmanla┼čm─▒┼č ├že┼čitli modeller sunar. Bu modeller, nesne alg─▒lamadan ├Ârnek segmentasyonu, poz/anahtar nokta alg─▒lama, y├Ânlendirilmi┼č nesne alg─▒lama ve s─▒n─▒fland─▒rma gibi daha karma┼č─▒k g├Ârevlere kadar ├že┼čitli gereksinimleri kar┼č─▒lamak ├╝zere tasarlanm─▒┼čt─▒r.

YOLOv8 serisinin her bir ├že┼čidi kendi g├Ârevi i├žin optimize edilmi┼č olup y├╝ksek performans ve do─čruluk sa─člamaktad─▒r. Ayr─▒ca, bu modeller ├ç─▒kar─▒m, Do─črulama, E─čitim ve D─▒┼ča Aktarma dahil olmak ├╝zere ├že┼čitli operasyonel modlarla uyumludur ve da─č─▒t─▒m ve geli┼čtirmenin farkl─▒ a┼čamalar─▒nda kullan─▒mlar─▒n─▒ kolayla┼čt─▒r─▒r.

Model Dosya adlar─▒ G├Ârev ├ç─▒kar─▒m Do─črulama E─čitim ─░hracat
YOLOv8 yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt Alg─▒lama Ôťů Ôťů Ôťů Ôťů
YOLOv8-seg yolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt ├ľrnek Segmentasyonu Ôťů Ôťů Ôťů Ôťů
YOLOv8-pose yolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.pt Poz/Kilit Noktalar─▒ Ôťů Ôťů Ôťů Ôťů
YOLOv8-obb yolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt Y├Ânlendirilmi┼č Alg─▒lama Ôťů Ôťů Ôťů Ôťů
YOLOv8-cls yolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.pt S─▒n─▒fland─▒rma Ôťů Ôťů Ôťů Ôťů

Bu tablo, YOLOv8 model varyantlar─▒na genel bir bak─▒┼č sunmakta, belirli g├Ârevlerde uygulanabilirliklerini ve ├ç─▒kar─▒m, Do─črulama, E─čitim ve D─▒┼ča Aktarma gibi ├že┼čitli ├žal─▒┼čma modlar─▒yla uyumluluklar─▒n─▒ vurgulamaktad─▒r. Bu tablo, YOLOv8 serisinin ├žok y├Ânl├╝l├╝─č├╝n├╝ ve sa─člaml─▒─č─▒n─▒ ortaya koymakta ve bilgisayarla g├Ârme alan─▒ndaki ├že┼čitli uygulamalar i├žin uygun hale getirmektedir.

Performans ├ľl├ž├╝tleri

Performans

├ľnceden e─čitilmi┼č 80 s─▒n─▒f i├žeren COCO ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Alg─▒lama Dok├╝manlar─▒ 'na bak─▒n.

Model boyut
(piksel)
mAPval
50-95
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8

├ľnceden e─čitilmi┼č 600 s─▒n─▒f i├žeren Open Image V7 ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Alg─▒lama Dok├╝manlar─▒ 'na bak─▒n.

Model boyut
(piksel)
mAPval
50-95
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n 640 18.4 142.4 1.21 3.5 10.5
YOLOv8s 640 27.7 183.1 1.40 11.4 29.7
YOLOv8m 640 33.6 408.5 2.26 26.2 80.6
YOLOv8l 640 34.9 596.9 2.43 44.1 167.4
YOLOv8x 640 36.3 860.6 3.56 68.7 260.6

├ľnceden e─čitilmi┼č 80 s─▒n─▒f i├žeren COCO ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Segmentasyon Dok├╝manlar─▒ 'na bak─▒n.

Model boyut
(piksel)
mAPbox
50-95
mAPmask
50-95
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n-seg 640 36.7 30.5 96.1 1.21 3.4 12.6
YOLOv8s-seg 640 44.6 36.8 155.7 1.47 11.8 42.6
YOLOv8m-seg 640 49.9 40.8 317.0 2.18 27.3 110.2
YOLOv8l-seg 640 52.3 42.6 572.4 2.79 46.0 220.5
YOLOv8x-seg 640 53.4 43.4 712.1 4.02 71.8 344.1

├ľnceden e─čitilmi┼č 1000 s─▒n─▒f i├žeren ImageNet ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Classification Docs b├Âl├╝m├╝ne bak─▒n.

Model boyut
(piksel)
acc
top1
acc
top5
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOPs
(B) 640'da
YOLOv8n-cls 224 69.0 88.3 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 73.8 91.7 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.8 93.5 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 76.8 93.5 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 79.0 94.6 232.0 1.01 57.4 154.8

├ľnceden e─čitilmi┼č 1 s─▒n─▒f olan 'ki┼či' i├žeren COCO ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Poz Tahmini Dok├╝manlar─▒na bak─▒n.

Model boyut
(piksel)
mAPpose
50-95
mAPpose
50
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n-pose 640 50.4 80.1 131.8 1.18 3.3 9.2
YOLOv8s-pose 640 60.0 86.2 233.2 1.42 11.6 30.2
YOLOv8m-pose 640 65.0 88.8 456.3 2.00 26.4 81.0
YOLOv8l-pose 640 67.6 90.0 784.5 2.59 44.4 168.6
YOLOv8x-pose 640 69.2 90.2 1607.1 3.73 69.4 263.2
YOLOv8x-pose-p6 1280 71.6 91.2 4088.7 10.04 99.1 1066.4

├ľnceden e─čitilmi┼č 15 s─▒n─▒f i├žeren DOTAv1 ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Y├Ânlendirilmi┼č Alg─▒lama Dok├╝manlar─▒ 'na bak─▒n.

Model boyut
(piksel)
mAPtest
50
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n-obb 1024 78.0 204.77 3.57 3.1 23.3
YOLOv8s-obb 1024 79.5 424.88 4.07 11.4 76.3
YOLOv8m-obb 1024 80.5 763.48 7.61 26.4 208.6
YOLOv8l-obb 1024 80.7 1278.42 11.83 44.5 433.8
YOLOv8x-obb 1024 81.36 1759.10 13.23 69.5 676.7

Kullan─▒m ├ľrnekleri

Bu ├Ârnek basit YOLOv8 e─čitim ve ├ž─▒kar─▒m ├Ârnekleri sa─člar. Bu ve di─čer modlar hakk─▒nda tam dok├╝mantasyon i├žin Predict, Train, Val ve Export docs sayfalar─▒na bak─▒n.

A┼ča─č─▒daki ├Ârne─čin nesne alg─▒lama i├žin YOLOv8 Detect modelleri i├žin oldu─čunu unutmay─▒n. Desteklenen ek g├Ârevler i├žin Segment, Classify, OBB dok├╝manlar─▒na ve Pose dok├╝manlar─▒na bak─▒n.

├ľrnek

PyTorch ├Ân e─čitimli *.pt modellerin yan─▒ s─▒ra yap─▒land─▒rma *.yaml dosyalar ┼ču dosyalara aktar─▒labilir YOLO() s─▒n─▒f─▒nda bir model ├Ârne─či olu┼čturmak i├žin python:

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")

CLI komutlar─▒ modelleri do─črudan ├žal─▒┼čt─▒rmak i├žin kullan─▒labilir:

# 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

At─▒flar ve Te┼čekk├╝r

├çal─▒┼čman─▒zda YOLOv8 modelini veya bu depodaki ba┼čka bir yaz─▒l─▒m─▒ kullan─▒rsan─▒z, l├╝tfen a┼ča─č─▒daki format─▒ kullanarak al─▒nt─▒ yap─▒n:

@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}
}

L├╝tfen DOI'nin beklemede oldu─čunu ve mevcut oldu─čunda al─▒nt─▒ya eklenece─čini unutmay─▒n. YOLOv8 modelleri ┼ču adreste verilmi┼čtir AGPL-3.0 ve Kurumsal lisanslar.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (15), Burhan-Q (1), Laughing-q (2), AyushExel (1), fcakyon (1)

Yorumlar