物体检测
物体检测是一项涉及识别图像或视频流中物体的位置和类别的任务。
物体检测器的输出是一组包围图像中物体的边框,以及每个边框的类标签和置信度分数。如果您需要识别场景中感兴趣的物体,但又不需要知道物体的具体位置或确切形状,那么物体检测就是一个不错的选择。
观看: 利用预训练的Ultralytics YOLOv8 模型进行物体检测。
提示
YOLOv8 检测模型是默认的YOLOv8 模型,即 yolov8n.pt
并对 COCO.
机型
YOLOv8 这里显示的是经过预训练的检测模型。Detect、Segment 和 Pose 模型是在COCO数据集上预先训练的,而 Classify 模型则是在ImageNet数据集上预先训练的。
首次使用时,模型会自动从最新的Ultralytics 版本下载。
模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 A100 TensorRT (毫秒) |
params (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
- mAPval 数值是在 COCO val2017 数据集。
复制方式yolo val detect data=coco.yaml device=0
- 速度 对 COCO val 图像使用 亚马逊 EC2 P4d 实例
复制方式yolo val detect data=coco8.yaml batch=1 device=0|cpu
火车
在 COCO8 数据集上对YOLOv8n 进行 100 次历时训练,图像大小为 640。有关可用参数的完整列表,请参阅配置页面。
示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from YAML
model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640
# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
数据集格式
YOLO 检测数据集格式详见数据集指南。要将现有数据集从其他格式(如 COCO 等)转换为YOLO 格式,请使用JSON2YOLO工具(Ultralytics )。
瓦尔
在 COCO8 数据集上验证训练有素的YOLOv8n 模型的准确性。无需传递参数,因为 model
保留其培训 data
和参数作为模型属性。
示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Validate the model
metrics = model.val() # no arguments needed, dataset and settings remembered
metrics.box.map # map50-95
metrics.box.map50 # map50
metrics.box.map75 # map75
metrics.box.maps # a list contains map50-95 of each category
预测
使用训练有素的YOLOv8n 模型对图像进行预测。
示例
查看全文 predict
模式的详细信息,请参见 预测 page.
出口
将YOLOv8n 模型导出为不同格式,如ONNX,CoreML 等。
示例
YOLOv8 可用的导出格式如下表所示。您可以使用 format
参数,即 format='onnx'
或 format='engine'
.您可以直接对导出的模型进行预测或验证,即 yolo predict model=yolov8n.onnx
.导出完成后会显示模型的使用示例。
格式 | format 论据 |
模型 | 元数据 | 论据 |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF 轻型 | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF 边缘TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
查看全文 export
中的详细信息 出口 page.
常见问题
如何在自定义数据集上训练YOLOv8 模型?
在自定义数据集上训练YOLOv8 模型需要几个步骤:
- 准备数据集:确保数据集采用YOLO 格式。有关指导,请参阅我们的《数据集指南》。
- 加载模型:使用Ultralytics YOLO 库加载预训练模型或从 YAML 文件创建新模型。
- 培训模型:执行
train
Python 中的yolo detect train
CLI 中的命令。
示例
有关详细配置选项,请访问配置页面。
YOLOv8 中有哪些预训练模型?
Ultralytics YOLOv8 为物体检测、分割和姿态估计提供了各种预训练模型。这些模型在 COCO 数据集或 ImageNet 上经过预训练,可用于分类任务。下面是一些可用的模型:
有关详细列表和性能指标,请参阅机型部分。
如何验证经过训练的YOLOv8 模型的准确性?
要验证训练有素的YOLOv8 模型的准确性,可以使用 .val()
Python 中的 yolo detect val
CLI命令。这将提供 mAP50-95、mAP50 等指标。
示例
更多验证详情,请访问Val页面。
YOLOv8 模型可以导出成什么格式?
Ultralytics YOLOv8 允许将模型导出为各种格式,如ONNX,TensorRT,CoreML 等,以确保在不同平台和设备上的兼容性。
示例
在导出页面查看支持格式的完整列表和说明。
为什么要使用Ultralytics YOLOv8 进行物体检测?
Ultralytics YOLOv8 旨在为物体检测、分割和姿态估计提供最先进的性能。以下是一些主要优势:
- 预训练模型:利用在 COCO 和 ImageNet 等流行数据集上预训练的模型,加快开发速度。
- 高精确度:可获得令人印象深刻的 mAP 分数,确保可靠的目标检测。
- 速度快针对实时推理进行了优化,非常适合需要快速处理的应用。
- 灵活性:将模型导出为各种格式,如ONNX 和TensorRT ,以便在多个平台上部署。
浏览我们的博客,了解YOLOv8 的使用案例和成功故事。