Khám phá Ultralytics YOLOv8#

Tổng quan#

YOLOv8 được Ultralytics phát hành vào ngày 10 tháng 1 năm 2023, mang lại hiệu năng vượt trội về độ chính xác và tốc độ. Dựa trên những tiến bộ của các phiên bản YOLO trước đó, YOLOv8 đã giới thiệu các tính năng và tối ưu hóa mới, biến nó thành sự lựa chọn lý tưởng cho các tác vụ object detection khác nhau trong nhiều ứng dụng rộng rãi.

Các tính năng chính của YOLOv8#

• Kiến trúc Backbone và Neck Nâng cao: YOLOv8 sử dụng kiến trúc backbone và neck tiên tiến, mang lại hiệu suất feature extraction và object detection được cải thiện.
• Ultralytics Head tách rời không neo (Anchor-free): YOLOv8 áp dụng Ultralytics head tách rời không neo, góp phần mang lại độ chính xác cao hơn và quy trình phát hiện hiệu quả hơn so với các phương pháp dựa trên neo (anchor-based).
• Cân bằng tối ưu giữa độ chính xác và tốc độ: Với trọng tâm là duy trì sự cân bằng tối ưu giữa độ chính xác và tốc độ, YOLOv8 phù hợp cho các tác vụ object detection thời gian thực trong nhiều lĩnh vực ứng dụng khác nhau.
• Đa dạng các model tiền huấn luyện: YOLOv8 cung cấp nhiều model tiền huấn luyện nhằm đáp ứng các tác vụ và yêu cầu hiệu suất khác nhau, giúp dễ dàng tìm thấy model phù hợp cho use case cụ thể của bạn.

Các tác vụ và chế độ được hỗ trợ#

Dòng YOLOv8 cung cấp nhiều loại model đa dạng, mỗi model được chuyên biệt hóa cho các tác vụ cụ thể trong computer vision. Các model này được thiết kế để đáp ứng các yêu cầu khác nhau, từ nhận diện đối tượng đến các tác vụ phức tạp hơn như instance segmentation, phân loại, phát hiện pose/keypoints và nhận diện đối tượng xoay (oriented object detection).

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

Bảng này cung cấp cái nhìn tổng quan về các biến thể model YOLOv8, nêu bật khả năng ứng dụng của chúng trong các tác vụ cụ thể và khả năng tương thích với các chế độ vận hành khác nhau như Inference, Validation, Training và Export. Nó thể hiện tính linh hoạt và độ bền bỉ của dòng YOLOv8, khiến chúng phù hợp cho nhiều ứng dụng khác nhau trong computer vision.

Chỉ số hiệu suất#

Ví dụ về cách sử dụng YOLOv8#

Ví dụ này cung cấp các ví dụ huấn luyện và inference đơn giản với YOLOv8. Để xem tài liệu đầy đủ về các modes này và các chế độ khác, hãy xem các trang tài liệu Predict, Train, Val và Export.

Lưu ý rằng ví dụ dưới đây dành cho các model YOLOv8 Detect để nhận diện đối tượng. Đối với các tác vụ được hỗ trợ bổ sung, hãy xem tài liệu Segment, Classify, Pose và 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")

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng mô hình YOLOv8 hoặc bất kỳ phần mềm nào khác từ kho lưu trữ này trong 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 rằng DOI đang chờ xử lý và sẽ được thêm vào phần trích dẫn ngay khi có sẵn. Các model YOLOv8 được cung cấp theo giấy phép AGPL-3.0 và Enterprise.

Câu hỏi thường gặp#