目标检测
目标检测是一项任务,涉及辨识图像或视频流中物体的位置和类别。
目标检测器的输出是一组围绕图像中物体的边界框,以及每个框的类别标签和置信度得分。当您需要识别场景中的感兴趣对象,但不需要准确了解物体的位置或其确切形状时,目标检测是一个很好的选择。
观看:使用预训练的Ultralytics YOLOv8模型进行目标检测。
提示
YOLOv8 Detect 模型是默认的 YOLOv8 模型,即 yolov8n.pt
,并在 COCO 数据集上进行了预训练。
模型
此处展示了预训练的YOLOv8 Detect模型。Detect、Segment和Pose模型在 COCO 数据集上预训练,而Classify模型在 ImageNet 数据集上预训练。
模型 会在首次使用时自动从Ultralytics的最新 发布 中下载。
模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 A100 TensorRT (毫秒) |
参数 (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 值适用于 COCO val2017 数据集上的单模型单尺度。
通过yolo val detect data=coco.yaml device=0
复现。 - 速度 是在使用 Amazon EC2 P4d 云实例对COCO val图像的平均值。
通过yolo val detect data=coco128.yaml batch=1 device=0|cpu
复现。
训练
在COCO128数据集上使用图像尺寸640将YOLOv8n训练100个epochs。要查看可用参数的完整列表,请参阅 配置 页面。
示例
# 从YAML构建新模型并从头开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640
# 从预训练的*.pt模型开始训练
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
# 从YAML构建新模型,传递预训练权重并开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
数据集格式
YOLO检测数据集格式可以在 数据集指南 中详细找到。要将您现有的数据集从其他格式(如COCO等)转换为YOLO格式,请使用Ultralytics的 JSON2YOLO 工具。
验证
在COCO128数据集上验证训练好的YOLOv8n模型准确性。无需传递参数,model
作为模型属性保留其训练的 data
和参数。
示例
预测
使用训练好的YOLOv8n模型在图像上进行预测。
示例
完整的 predict
模式细节请见 预测 页面。
导出
将YOLOv8n模型导出为ONNX、CoreML等不同格式。
示例
下表中提供了可用的YOLOv8导出格式。您可以直接在导出的模型上进行预测或验证,即 yolo predict model=yolov8n.onnx
。导出完成后,会为您的模型显示使用示例。
格式 | format 参数 |
模型 | 元数据 | 参数 |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz ,optimize |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz ,half ,dynamic ,simplify ,opset |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz ,half |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz ,half ,dynamic ,simplify ,workspace |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz ,half ,int8 ,nms |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz ,keras |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz |
TF Lite | tflite |
yolov8n.tflite |
✅ | imgsz ,half ,int8 |
TF Edge TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz |
ncnn | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz ,half |
完整的 export
详情请见 导出 页面。