Ultralytics YOLOv8 模式
导言
Ultralytics YOLOv8 不只是另一种对象检测模型;它是一个多功能框架,旨在覆盖机器学习模型的整个生命周期--从数据摄取和模型训练到验证、部署和实际跟踪。每种模式都有特定的用途,其设计旨在为您提供不同任务和用例所需的灵活性和效率。
观看: Ultralytics 模式教程:训练、验证、预测、输出和基准。
模式一览
了解Ultralytics YOLOv8 支持的不同模式对于最大限度地利用您的模型至关重要:
- 训练模式:在自定义或预载数据集上对模型进行微调。
- Val模式:用于验证模型性能的训练后检查点。
- 预测模式:释放模型对真实世界数据的预测能力。
- 导出模式:让您的模型以各种格式部署就绪。
- 跟踪模式:将物体检测模式扩展到实时跟踪应用中。
- 基准模式:在不同的部署环境中分析模型的速度和准确性。
本综合指南旨在为您提供每种模式的概述和实用见解,帮助您充分发挥YOLOv8 的潜力。
火车
训练模式用于在自定义数据集上训练YOLOv8 模型。在该模式下,模型使用指定的数据集和超参数进行训练。训练过程包括优化模型参数,使其能够准确预测图像中物体的类别和位置。
瓦尔
Val 模式用于在YOLOv8 模型训练完成后对其进行验证。在该模式下,模型在验证集上进行评估,以衡量其准确性和泛化性能。该模式可用于调整模型的超参数,以提高其性能。
预测
预测模式用于使用训练有素的YOLOv8 模型对新图像或视频进行预测。在该模式下,模型从检查点文件加载,用户可以提供图像或视频来执行推理。模型会预测输入图像或视频中物体的类别和位置。
出口
导出模式用于将YOLOv8 模型导出为可用于部署的格式。在此模式下,模型将转换为其他软件应用程序或硬件设备可以使用的格式。在将模型部署到生产环境时,该模式非常有用。
轨道
跟踪模式用于使用YOLOv8 模型实时跟踪物体。在该模式下,模型从检查点文件加载,用户可以提供实时视频流来执行实时物体跟踪。该模式适用于监控系统或自动驾驶汽车等应用。
基准
基准模式用于分析YOLOv8 中各种导出格式的速度和准确性。基准模式提供的信息包括导出格式的大小、其 mAP50-95
指标(用于物体检测、分割和姿态)或 accuracy_top5
度量(用于分类),以及不同导出格式(如ONNX,OpenVINO,TensorRT 等)下每幅图像的推理时间(以毫秒为单位)。这些信息可以帮助用户根据他们对速度和准确性的要求,为他们的特定使用案例选择最佳的导出格式。