Khám phá Ultralytics YOLOv8#

Tổng quan#

YOLOv8 được Ultralytics phát hành vào ngày 10 tháng 1 năm 2023, mang lại hiệu năng tiên tiến về độ chính xác và tốc độ. Dựa trên những tiến bộ của các phiên bản YOLO trước, YOLOv8 giới thiệu các tính năng và tối ưu hóa mới, khiến model trở thành lựa chọn lý tưởng cho nhiều tác vụ phát hiện đối tượng trong nhiều ứng dụng.

Các tính năng chính của YOLOv8#

• Kiến trúc backbone và neck tiên tiến: YOLOv8 sử dụng các kiến trúc backbone và neck hiện đại nhất, giúp cải thiện hiệu suất trích xuất đặc trưng và phát hiện đối tượng.
• Head Ultralytics tách nhánh, không dùng anchor: YOLOv8 sử dụng head Ultralytics tách nhánh, không dùng anchor, góp phần nâng cao độ chính xác và tối ưu quy trình phát hiện so với các phương pháp dựa trên anchor.
• Cân bằng tối ưu giữa độ chính xác và tốc độ: Tập trung duy trì sự cân bằng tối ưu giữa độ chính xác và tốc độ, YOLOv8 phù hợp với các tác vụ phát hiện đối tượng theo thời gian thực trong nhiều lĩnh vực ứng dụng.
• Đa dạng model pretrained: YOLOv8 cung cấp nhiều model pretrained đáp ứng các tác vụ và yêu cầu hiệu năng khác nhau, giúp bạn dễ dàng tìm được model phù hợp với trường hợp sử dụng cụ thể.

Các tác vụ và chế độ được hỗ trợ#

Dòng YOLOv8 cung cấp nhiều model đa dạng, mỗi model được chuyên biệt hóa cho các tác vụ cụ thể trong thị giác máy tính. Các model này đáp ứng nhiều nhu cầu khác nhau, từ phát hiện đối tượng đến các tác vụ phức tạp hơn như phân đoạn instance, phân loại, phát hiện pose/keypoint và phát hiện đối tượng có hướng.

Mỗi biến thể của dòng YOLOv8 được tối ưu cho tác vụ tương ứng, đảm bảo hiệu năng và độ chính xác cao. Ngoài ra, các model này tương thích với nhiều chế độ hoạt động, bao gồm Inference, Validation, Training và Export, hỗ trợ sử dụng trong các giai đoạn khác nhau của quá trình phát triển và triển khai.

Bảng này cung cấp tổng quan về các biến thể model YOLOv8, nêu bật khả năng áp dụng cho từng tác vụ cụ thể và khả năng tương thích với nhiều chế độ hoạt động như Inference, Validation, Training và Export. Bảng thể hiện tính linh hoạt và độ tin cậy của dòng YOLOv8, giúp các model này phù hợp với nhiều ứng dụng trong thị giác máy tính.

Chỉ số hiệu năng#

Ví dụ sử dụng YOLOv8#

Ví dụ này trình bày cách huấn luyện và inference YOLOv8 đơn giản. Để xem tài liệu đầy đủ về các chế độ này và những chế độ khác, hãy tham khảo các trang tài liệu modes, Predict, Train, Val và Export.

Lưu ý, ví dụ dưới đây dành cho các model YOLOv8 Detect dùng để phát hiện đối tượng. Để xem các tác vụ khác được hỗ trợ, hãy tham khảo tài liệu Segment, Classify, Pose và OBB.

from ultralytics import YOLO

# Tải model YOLOv8n pretrained trên COCO
model = YOLO("yolov8n.pt")

# Hiển thị thông tin model (không bắt buộc)
model.info()

# Huấn luyện model trên dataset mẫu COCO8 trong 100 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy inference bằng model YOLOv8n trên ảnh 'bus.jpg'
results = model("path/to/bus.jpg")

Trích dẫn và lời cảm ơn#

Nếu sử dụng model YOLOv8 hoặc bất kỳ phần mềm nào khác trong repository này cho công việc của mình, vui lòng trích dẫn theo định dạng sau:

@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}
}

Xin lưu ý DOI đang chờ cấp và sẽ được bổ sung vào trích dẫn khi có. Các model YOLOv8 được cung cấp theo giấy phép AGPL-3.0 và Enterprise.

Câu hỏi thường gặp#