YOLOv8

Tổng quan

YOLOv8 là lần lặp lại mới nhất trong YOLO loạt máy dò đối tượng thời gian thực, cung cấp hiệu suất tiên tiến về độ chính xác và tốc độ. Xây dựng dựa trên những tiến bộ của trước đó YOLO Phiên bản YOLOv8 Giới thiệu các tính năng mới và tối ưu hóa làm cho nó trở thành một lựa chọn lý tưởng cho các tác vụ phát hiện đối tượng khác nhau trong một loạt các ứng dụng.

Xem: Ultralytics YOLOv8 Tổng quan về mô hình

Các tính năng chính

• Kiến trúc xương sống và cổ nâng cao: YOLOv8 sử dụng kiến trúc xương sống và cổ hiện đại, dẫn đến hiệu suất trích xuất tính năng và phát hiện đối tượng được cải thiện.
• 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

Các YOLOv8 Sê-ri cung cấp một loạt các mô hình đa dạng, mỗi mô hình chuyên biệt cho các nhiệm vụ cụ thể trong thị giác máy tính. Các mô hình này được thiết kế để đáp ứng các yêu cầu khác nhau, từ phát hiện đối tượng đến các tác vụ phức tạp hơn như phân đoạn phiên bản, phát hiện tư thế/điểm chính, phát hiện đối tượng định hướng và phân loại.

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.

Bảng này cung cấp tổng quan về YOLOv8 các biến thể mô hình, làm nổi bật khả năng ứng dụng của chúng trong các tác vụ cụ thể và khả năng tương thích của chúng với các chế độ hoạt động khác nhau như Suy luận, Xác thực, Đào tạo và Xuất. Nó thể hiện tính linh hoạt và mạnh mẽ của YOLOv8 hàng loạt, làm cho chúng phù hợp với nhiều ứng dụng trong thị giác máy tính.

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 .

Ý kiến