跳转至

目标检测

目标检测示例

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

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.yaml')  # 从YAML构建新模型
model = YOLO('yolov8n.pt')    # 加载预训练模型（推荐用于训练）
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并转移权重

# 训练模型
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

# 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

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 加载官方模型
model = YOLO('path/to/best.pt')  # 加载自定义模型

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置通过模型属性记住
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # 包含每个类别map50-95的列表

yolo detect val model=yolov8n.pt  # 验证官方模型
yolo detect val model=path/to/best.pt  # 验证自定义模型

预测

使用训练好的YOLOv8n模型在图像上进行预测。

示例

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 加载官方模型
model = YOLO('path/to/best.pt')  # 加载自定义模型

# 使用模型进行预测
results = model('https://ultralytics.com/images/bus.jpg')  # 对图像进行预测

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # 使用官方模型进行预测
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 使用自定义模型进行预测

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

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 加载官方模型
model = YOLO('path/to/best.pt')  # 加载自定义训练模型

# 导出模型
model.export(format='onnx')

yolo export model=yolov8n.pt format=onnx  # 导出官方模型
yolo export model=path/to/best.pt format=onnx  # 导出自定义训练模型

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。


Created 2023-11-12, Updated 2023-11-18
Authors: glenn-jocher (2)

评论