Ultralytics YOLOv8

Tổng quan

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.

Xem: Ultralytics YOLOv8 Tổng quan về mô hình

Các tính năng chính

• Advanced Backbone and Neck Architectures: YOLOv8 employs state-of-the-art backbone and neck architectures, resulting in improved feature extraction and object detection performance.
• Chia tách không neo Ultralytics Đầu: YOLOv8 áp dụng phân chia không neo Ultralytics đầu, góp phần vào độ chính xác tốt hơn và quy trình phát hiện hiệu quả hơn so với các phương pháp tiếp cận dựa trên neo.
• Tối ưu hóa sự đánh đổi độ chính xác-tốc độ: Tập trung vào việc duy trì sự cân bằng tối ưu giữa độ chính xác và tốc độ, YOLOv8 phù hợp cho các tác vụ phát hiện đối tượng theo thời gian thực trong các lĩnh vực ứng dụng đa dạng.
• Nhiều mô hình Pre-training: YOLOv8 Cung cấp một loạt các mô hình được đào tạo trước để phục vụ cho các nhiệm vụ và yêu cầu hiệu suất khác nhau, giúp bạn dễ dàng tìm thấy mô hình phù hợp cho trường hợp sử dụng cụ thể của mình.

Các tác vụ và chế độ được hỗ trợ

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.

Mỗi biến thể của YOLOv8 Series được tối ưu hóa cho nhiệm vụ tương ứng của nó, đảm bảo hiệu suất và độ chính xác cao. Ngoài ra, các mô hình này tương thích với các chế độ hoạt động khác nhau bao gồm Suy luận, Xác nhận, Đào tạo và Xuất, tạo điều kiện thuận lợi cho việc sử dụng chúng trong các giai đoạn triển khai và phát triển khác nhau.

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.

Chỉ số hiệu suất

Ví dụ sử dụng

Ví dụ này cung cấp đơn giản YOLOv8 Ví dụ đào tạo và suy luận. Để biết tài liệu đầy đủ về các chế độ này và các chế độ khác, hãy xem các trang tài liệu Dự đoán, Đào tạo, Val và Xuất .

Lưu ý ví dụ dưới đây dành cho YOLOv8 Phát hiện các mô hình để phát hiện đối tượng. Để biết thêm các tác vụ được hỗ trợ, hãy xem tài liệu Phân đoạn, Phân loại, OBB và Tư thế .

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

Trích dẫn và xác nhận

Nếu bạn sử dụng YOLOv8 Mô hình hoặc bất kỳ phần mềm nào khác từ kho lưu trữ này trong công việc của bạn, vui lòng trích dẫn nó bằng 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 trích dẫn khi có sẵn. YOLOv8 Các mô hình được cung cấp theo AGPL-3.0 và Giấy phép doanh nghiệp .

FAQ

Là gì YOLOv8 và nó khác với trước đây như thế nào YOLO Phiên bản?

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.

Tôi có thể sử dụng như thế nào YOLOv8 cho các tác vụ thị giác máy tính khác nhau?

YOLOv8 Hỗ trợ một loạt các tác vụ thị giác máy tính, bao gồm phát hiện đối tượng, phân đoạn phiên bản, phát hiện tư thế / điểm chính, phát hiện đối tượng định hướng và phân loại. Mỗi biến thể mô hình được tối ưu hóa cho nhiệm vụ cụ thể của nó và tương thích với các chế độ hoạt động khác nhau như Suy luận, Xác thực, Đào tạo và Xuất. Tham khảo phần Tác vụ và Chế độ được Hỗ trợ để biết thêm thông tin.

Các chỉ số hiệu suất để làm gì YOLOv8 Mô hình?

YOLOv8 Các mô hình đạt được hiệu suất hiện đại trên các bộ dữ liệu đo điểm chuẩn khác nhau. Ví dụ, các YOLOv8n mô hình đạt được mAP (Độ chính xác trung bình trung bình) là 37,3 trên tập dữ liệu COCO và tốc độ 0,99 ms trên A100 TensorRT. Bạn có thể tìm thấy số liệu hiệu suất chi tiết cho từng biến thể mô hình trên các tác vụ và bộ dữ liệu khác nhau trong phần Chỉ số hiệu suất .

Làm cách nào để đào tạo một YOLOv8 mẫu?

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

Để biết thêm chi tiết, hãy truy cập tài liệu Đào tạo .

Tôi có thể điểm chuẩn không YOLOv8 Mô hình cho hiệu suất?

Có YOLOv8 Các mô hình có thể được đánh giá chuẩn về hiệu suất về tốc độ và độ chính xác trên các định dạng xuất khác nhau. Bạn có thể sử dụng PyTorch, ONNX, TensorRTvà hơn thế nữa để đo điểm chuẩn. Dưới đây là các lệnh ví dụ để đo điểm chuẩn bằng cách sử dụng Python và 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

Để biết thêm thông tin, hãy kiểm tra phần Chỉ số hiệu suất .

📅 Created 11 months ago ✏️ Updated 10 days ago

Ý kiến