跳至内容

Python 使用方法

欢迎访问YOLOv8 Python 使用文档！本指南旨在帮助您将YOLOv8 无缝集成到您的Python 项目中，用于对象检测、分割和分类。在这里，您将了解如何加载和使用预训练模型、训练新模型以及对图像进行预测。对于任何希望将YOLOv8 整合到其Python 项目中的人来说，易于使用的Python 界面都是宝贵的资源，可让您快速实现高级对象检测功能。让我们开始吧！



观看： 掌握Ultralytics YOLOv8 ：Python

例如，用户只需几行代码就能加载模型、对其进行训练、评估其在验证集上的性能，甚至将其导出为ONNX 格式。

Python

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolov8n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov8n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

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。

火车

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # pass any model type
results = model.train(epochs=5)

from ultralytics import YOLO

model = YOLO("yolov8n.yaml")
results = model.train(data="coco8.yaml", epochs=5)

model = YOLO("last.pt")
results = model.train(resume=True)

列车示例

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。

瓦尔

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on separate data
model.val(data="path/to/separate/data.yaml")

Val 示例

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。

预测

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

# results would be a list of Results object including all the predictions by default
# but be careful as it could occupy a lot memory when there're many images,
# especially the task is segmentation.
# 1. return as a list
results = model.predict(source="folder")

# results would be a generator which is more friendly to memory by setting stream=True
# 2. return as a generator
results = model.predict(source=0, stream=True)

for result in results:
    # Detection
    result.boxes.xyxy  # box with xyxy format, (N, 4)
    result.boxes.xywh  # box with xywh format, (N, 4)
    result.boxes.xyxyn  # box with xyxy format but normalized, (N, 4)
    result.boxes.xywhn  # box with xywh format but normalized, (N, 4)
    result.boxes.conf  # confidence score, (N, 1)
    result.boxes.cls  # cls, (N, 1)

    # Segmentation
    result.masks.data  # masks, (N, H, W)
    result.masks.xy  # x,y segments (pixels), List[segment] * N
    result.masks.xyn  # x,y segments (normalized), List[segment] * N

    # Classification
    result.probs  # cls prob, (num_class, )

# Each result is composed of torch.Tensor by default,
# in which you can easily use following functionality:
result = result.cuda()
result = result.cpu()
result = result.to("cpu")
result = result.numpy()

预测示例

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。

出口

通过动态批量大小和图像大小，将YOLOv8n 官方模型导出到ONNX 。 

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", dynamic=True)

在TensorRT 上导出官方YOLOv8n 模型 device=0 用于在CUDA 设备上加速。 

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", device=0)

出口示例

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。

轨道

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official detection model
model = YOLO("yolov8n-seg.pt")  # load an official segmentation model
model = YOLO("path/to/best.pt")  # load a custom model

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

轨道示例

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（用于物体检测和分割）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。

基准

在所有输出格式中对官方YOLOv8n 模型进行基准测试。 

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

基准范例

探索者

资源管理器应用程序接口（Explorer API）可用于探索具有高级语义、矢量相似性和 SQL 搜索等功能的数据集。它还能利用 LLM 的强大功能，根据图像内容使用自然语言搜索图像。探索者应用程序接口允许您编写自己的数据集探索笔记本或脚本，以深入了解您的数据集。

使用资源管理器进行语义搜索

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco8.yaml", model="yolov8n.pt")
exp.create_embeddings_table()

similar = exp.get_similar(img="https://ultralytics.com/images/bus.jpg", limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(
    img=["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/bus.jpg"], limit=10
)
print(similar.head())

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco8.yaml", model="yolov8n.pt")
exp.create_embeddings_table()

similar = exp.get_similar(idx=1, limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(idx=[1, 10], limit=10)
print(similar.head())

探索者

使用培训师

YOLO 模型类是训练器类的高级封装。每个YOLO 任务都有自己的训练器，训练器继承自 BaseTrainer.

检测训练器示例

```python
from ultralytics.models.yolo import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = detect.DetectionTrainer(overrides=overrides)
```

您可以轻松定制培训师，以支持自定义任务或探索研发思路。了解有关定制的更多信息 Trainers, Validators 和 Predictors 以满足您在定制部分的项目需求。

定制教程

常见问题

如何将YOLOv8 整合到Python 项目中进行对象检测？

将Ultralytics YOLOv8 整合到Python 项目中非常简单。您可以加载一个预训练模型或从头开始训练一个新模型。以下是开始使用的方法：

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolov8n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

更多详细示例，请参阅我们的 "预测模式"部分。

YOLOv8 有哪些不同的模式？

Ultralytics YOLOv8 提供各种模式，以满足不同的机器学习工作流程。这些模式包括

  • 火车:使用自定义数据集训练模型。
  • Val:在验证集上验证模型性能。
  • 预测:对新图像或视频流进行预测。
  • 出口:将模型导出为各种格式，如ONNX 、TensorRT 。
  • 跟踪:视频流中的实时目标跟踪
  • 基准:不同配置下的模型性能基准。

每种模式都旨在为模型开发和部署的不同阶段提供全面的功能。

如何使用我的数据集训练自定义YOLOv8 模型？

要训练自定义YOLOv8 模型，需要指定数据集和其他超参数。下面是一个快速示例：

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolov8n.yaml")

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

有关培训的更多详情和使用示例的超链接，请访问我们的列车模式页面。

如何导出YOLOv8 模型以供部署？

使用该工具可直接将YOLOv8 模型导出为适合部署的格式。 export 功能。例如，您可以将模型导出为ONNX 格式：

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolov8n.pt")

# Export the model to ONNX format
model.export(format="onnx")

有关各种导出选项，请参阅导出模式文档。

我能否在不同的数据集上验证我的YOLOv8 模型？

是的，可以在不同数据集上验证YOLOv8 模型。训练完成后，您可以使用验证模式来评估性能：

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

有关详细示例和用法，请查看Val Mode页面。



创建于 2023-11-12，更新于 2024-07-04
作者:glenn-jocher(13),IvorZhu331(1),AyushExel(1),RizwanMunawar(1),Laughing-q(1)

评论