探索 Ultralytics YOLOv8

概述

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了前沿的性能。YOLOv8 在之前 YOLO 版本的基础上进行了改进，引入了新的特性和优化，使其成为各种应用中各种 目标检测 任务的理想选择。

观看： Ultralytics YOLOv8 模型概述

YOLOv8 的主要特性

• 高级骨干和颈部架构： YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。
• 无锚点分离式 Ultralytics Head： YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
• 优化的准确性-速度权衡： YOLOv8 专注于在准确性和速度之间保持最佳平衡，适用于各种应用领域中的实时对象检测任务。
• 多种预训练模型： YOLOv8 提供了一系列预训练模型，以满足各种任务和性能需求，从而可以更轻松地找到适合您特定用例的正确模型。

支持的任务和模式

YOLOv8 系列提供各种各样的模型，每个模型都专门用于计算机视觉中的特定任务。这些模型旨在满足各种需求，从目标检测到更复杂的任务，如实例分割、姿势/关键点检测、旋转框检测和分类。

YOLOv8 系列的每个变体都针对其各自的任务进行了优化，从而确保了高性能和高精度。此外，这些模型与各种操作模式兼容，包括 推理、验证、训练 和 导出，从而方便了它们在部署和开发的不同阶段中使用。

此表概述了 YOLOv8 模型变体，重点介绍了它们在特定任务中的适用性以及它们与各种操作模式（如推理、验证、训练和导出）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

YOLOv8 使用示例

此示例提供了简单的 YOLOv8 训练和推理示例。有关这些和其他模式的完整文档，请参见Predict、Train、Val和Export文档页面。

请注意，以下示例适用于用于目标检测的 YOLOv8 Detect 模型。有关其他支持的任务，请参阅Segment、Classify、OBB 文档和 Pose 文档。

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

引用和致谢

如果您在工作中使用 YOLOv8 模型或来自此存储库的任何其他软件，请使用以下格式引用：

@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 正在申请中，一旦可用，将添加到引用中。YOLOv8 模型根据 AGPL-3.0 和 Enterprise 许可提供。

常见问题

什么是 YOLOv8，它与之前的 YOLO 版本有何不同？

YOLOv8 旨在通过高级功能改进实时目标检测性能。与早期版本不同，YOLOv8 结合了无锚框分离式 Ultralytics 检测头、最先进的 主干网络和颈部架构，并提供了优化的准确性-速度权衡，使其成为各种应用的理想选择。有关更多详细信息，请查看“概述”和“主要功能”部分。

如何将 YOLOv8 用于不同的计算机视觉任务？

YOLOv8 支持广泛的计算机视觉任务，包括目标检测、实例分割、姿势/关键点检测、旋转框检测和分类。每个模型变体都针对其特定任务进行了优化，并且与各种操作模式（如 推理、验证、训练 和 导出）兼容。有关更多信息，请参阅支持的任务和模式部分。

YOLOv8 模型的性能指标有哪些？

YOLOv8 模型在各种基准数据集上实现了最先进的性能。例如，YOLOv8n 模型在 COCO 数据集上实现了 37.3 的 mAP（平均精度均值），在 A100 TensorRT 上实现了 0.99 毫秒的速度。有关不同任务和数据集中每个模型变体的详细性能指标，请参见性能指标部分。

如何训练 YOLOv8 模型？

可以使用 python 或 CLI 训练 YOLOv8 模型。以下是使用 COCO 预训练的 YOLOv8 模型在 COCO8 数据集上训练 100 个 epochs 的示例：

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)

yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

有关更多详细信息，请访问训练文档。

我可以对 YOLOv8 模型进行性能基准测试吗？

是的，可以根据各种导出格式的速度和准确性来对 YOLOv8 模型进行基准测试。您可以将 PyTorch、ONNX、TensorRT 等用于基准测试。以下是使用 python 和 CLI 进行基准测试的示例命令：

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

有关更多信息，请查看性能指标部分。

📅创建于 2 年前 ✏️已更新 22 天前

评论