Ultralytics YOLO27：

探索 Ultralytics YOLOv8#

概述#

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确率和速度方面提供了尖端性能。在之前 YOLO 版本进展的基础上，YOLOv8 引入了新功能和优化，使其成为适用于广泛应用中各种目标检测任务的理想选择。

YOLOv8 性能对比图表



Watch: Ultralytics YOLOv8 Model Overview
在 Ultralytics Platform 上试用

直接在 Ultralytics Platform 上探索并运行 YOLOv8 模型。

YOLOv8 的主要特性#

  • 先进的 Backbone 和 Neck 架构： YOLOv8 采用先进的 Backbone 和 Neck 架构，从而提升了特征提取和目标检测性能。
  • 无锚框分离式 Ultralytics Head： YOLOv8 采用无锚框分离式 Ultralytics Head，与基于锚框的方法相比，有助于提升准确率并提高检测效率。
  • 优化的准确率与速度权衡： YOLOv8 注重在准确率和速度之间保持最佳平衡，适合多种应用领域中的实时目标检测任务。
  • 多种预训练模型： YOLOv8 提供一系列预训练模型，以满足不同任务和性能要求，让你更容易找到适合特定使用场景的模型。

支持的任务和模式#

YOLOv8 系列提供了丰富的模型，每个模型都针对计算机视觉中的特定任务进行了专门优化。这些模型旨在满足从目标检测到实例分割、分类、姿态/关键点检测和定向目标检测等更复杂任务的各种需求。

YOLOv8 系列的每个变体都针对相应任务进行了优化，确保高性能和高准确率。此外，这些模型兼容多种操作模式，包括推理、验证、训练和导出，便于在部署和开发的不同阶段使用。

模型文件名任务训练验证推理导出
YOLOv8yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt检测✅✅✅✅
YOLOv8-segyolov8n-seg.pt yolov8s-seg.pt yolov8m-seg.pt yolov8l-seg.pt yolov8x-seg.pt实例分割✅✅✅✅
YOLOv8-clsyolov8n-cls.pt yolov8s-cls.pt yolov8m-cls.pt yolov8l-cls.pt yolov8x-cls.pt分类✅✅✅✅
YOLOv8-poseyolov8n-pose.pt yolov8s-pose.pt yolov8m-pose.pt yolov8l-pose.pt yolov8x-pose.pt yolov8x-pose-p6.pt姿态/关键点✅✅✅✅
YOLOv8-obbyolov8n-obb.pt yolov8s-obb.pt yolov8m-obb.pt yolov8l-obb.pt yolov8x-obb.pt定向检测✅✅✅✅

此表概述了 YOLOv8 模型变体，重点介绍它们在特定任务中的适用性，以及与推理、验证、训练和导出等多种操作模式的兼容性。它展示了 YOLOv8 系列的多功能性和稳健性，使其适用于计算机视觉中的各种应用。

性能指标#

性能

有关使用这些在 COCO 上训练的模型的示例（包含 80 个预训练类别），请参阅检测文档。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
A100 TensorRT
（ms）		参数量
（M）		FLOPs
（B）
YOLOv8n64037.380.40.993.28.7
YOLOv8s64044.9128.41.2011.228.6
YOLOv8m64050.2234.71.8325.978.9
YOLOv8l64052.9375.22.3943.7165.1
YOLOv8x64053.9479.13.5368.2257.8

YOLOv8 使用示例#

此示例提供了简单的 YOLOv8 训练和推理示例。有关这些模式和其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

请注意，以下示例适用于用于目标检测的 YOLOv8 检测模型。有关其他支持的任务，请参阅分割、分类、姿态和 OBB文档。

示例

PyTorch 预训练的 *.pt 模型以及配置 *.yaml 文件，都可以传递给 YOLO() 类，以便在 Python 中创建模型实例：

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")

引用和致谢#

Ultralytics YOLOv8 发布信息

由于模型快速演进的特性，Ultralytics 尚未为 YOLOv8 发布正式研究论文。我们专注于推进技术发展并降低使用难度，而不是制作静态文档。有关 YOLO 架构、功能和使用方法的最新信息，请参阅我们的 GitHub 仓库和文档。

如果你在工作中使用 YOLOv8 模型或此仓库中的任何其他软件，请使用以下格式引用：

引用
@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}
}

请注意，DOI 尚待确定，待其可用后将添加到引用中。YOLOv8 模型根据 AGPL-3.0 和企业版许可证提供。

常见问题#

  • YOLOv8 旨在通过先进功能提升实时目标检测性能。与早期版本不同，YOLOv8 融入了无锚框分离式 Ultralytics Head、先进的Backbone和 Neck 架构，并提供优化的准确率-速度权衡，使其适用于各种应用。有关更多详情，请查看概览和主要特性部分。

  • YOLOv8 支持广泛的计算机视觉任务，包括目标检测、实例分割、姿态/关键点检测、定向目标检测和分类。每个模型变体都针对特定任务进行了优化，并兼容多种操作模式，例如推理、验证、训练和导出。有关更多信息，请参阅支持的任务和模式部分。

  • YOLOv8 模型在各种基准数据集上均实现了先进性能。例如，YOLOv8n 模型在 COCO 数据集上达到 37.3 的 mAP（平均精度），在 A100 TensorRT 上的速度为 0.99 ms。有关各模型变体在不同任务和数据集上的详细性能指标，请参阅性能指标部分。

  • 你可以使用 Python 或 CLI 训练 YOLOv8 模型。下面展示了使用在 COCO 上预训练的 YOLOv8 模型，在 COCO8 数据集上训练 100 个epochs的示例：

    示例
    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)

    有关更多详情，请访问训练文档。

  • 可以，你可以针对不同导出格式，从速度和准确率方面对 YOLOv8 模型进行性能基准测试。你可以使用 PyTorch、ONNX、TensorRT 等进行基准测试。下面是使用 Python 和 CLI 进行基准测试的示例命令：

    示例
    from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)

    有关更多信息，请查看性能指标部分。

贡献者
GLglenn-jocher33LALaughing-q4RIRizwanMunawar4RAraimbekovm3Y-Y-T-G3PDpderrenger2ONonuralpszr1LELexBarou1MAMatthewNoyce1BUBurhan-Q1AYAyushExel1FCfcakyon1

评论