YOLOv8目標(biāo)檢測算法相較于前幾代YOLO系列算法具有如下的幾點優(yōu)勢：

• 更友好的安裝/運行方式

• 速度更快、準(zhǔn)確率更高

• 新的backbone，將YOLOv5中的C3更換為C2F

• YOLO系列第一次嘗試使用anchor-free

• 新的損失函數(shù)

YOLOv8簡介

YOLOv8 是 Ultralytics 公司繼?YOLOv5?算法之后開發(fā)的下一代算法模型，目前支持圖像分類、物體檢測和實例分割任務(wù)。YOLOv8 是一個 SOTA 模型，它建立在之前YOLO?系列模型的成功基礎(chǔ)上，并引入了新的功能和改進(jìn)，以進(jìn)一步提升性能和靈活性。具體創(chuàng)新包括：一個新的骨干網(wǎng)絡(luò)、一個新的 Ancher-Free 檢測頭和一個新的損失函數(shù)，可以在從 CPU 到 GPU 的各種硬件平臺上運行。注意到ultralytics 并沒有直接將開源庫命名為 YOLOv8，而是直接使用 Ultralytics這個單詞，原因是Ultralytics這個庫的定位是算法框架，而非特指某一個特定算法，其希望這個庫不僅僅能夠用于 YOLO 系列模型，同時也能支持其他的視覺任務(wù)如圖像分類、實例分割等。下圖畫圖YOLOv8目標(biāo)檢測算法同其他YOLO系列算法（YOLOv5、6、7）的實驗對比圖，左邊是模型參數(shù)量對比，右邊是速度對比。

下面兩個表分別是YOLOv8和YOLOv5（v7.0版本）官方在 COCO Val 2017 數(shù)據(jù)集上測試結(jié)果，從中看出 YOLOv8 相比 YOLOv5 精度提升大，但是 N/S/M 模型相應(yīng)的參數(shù)量、FLOPS等提高了不少。

YOLOv8概述

l?提供了一個全新的SOTA模型，和YOLOv5一樣，基于縮放系數(shù)也提供了 N/S/M/L/X 尺度的不同大小模型，用于滿足不同場景需求，同時支持圖像分類、目標(biāo)檢測、實例分割和姿態(tài)檢測任務(wù)

• 在骨干網(wǎng)絡(luò)和Neck部分將YOLOv5的C3結(jié)構(gòu)換成了梯度流更豐富的 C2f 結(jié)構(gòu)，并對不同尺度模型調(diào)整了不同的通道數(shù)，大幅提升了模型性能；需要注意的是C2f 模塊中存在Split等操作對特定硬件部署沒有之前那么友好

• Head部分換成了目前主流的解耦頭結(jié)構(gòu)，將分類和檢測頭分離，同時也從 Anchor-Based換成了Anchor-Free

• Loss 計算方面采用了 TaskAlignedAssigner 正樣本分配策略，并引入了 Distribution Focal Loss

?下圖畫出YOLOv8目標(biāo)檢測算法的整體結(jié)構(gòu)圖，原圖從mmyolo倉庫（https://github.com/open-mmlab/mmyolo/blob/dev/configs/yolov8/README.md）獲取

YOLOv8模型

YOLOv8目標(biāo)檢測算法的模型配置文件如下：

從配置文件可以看出，YOLOv8與YOLOv5模型最明顯的差異是使用C2F模塊替換了原來的C3模塊，兩個模塊的結(jié)構(gòu)圖（原圖：https://mmyolo.readthedocs.io/zh_CN/latest/recommended_topics/algorithm_descriptions/yolov8_description.html）下圖所示。

另外Head 部分變化最大，從原先的耦合頭變成了解耦頭，并且從 YOLOv5 的 Anchor-Based 變成了 Anchor-Free。其結(jié)構(gòu)對比圖（原圖：https://mmyolo.readthedocs.io/zh_CN/latest/recommended_topics/algorithm_descriptions/yolov8_description.html）如下所示：

當(dāng)然YOLOv8相較于之前YOLO系列算法還有其他的改變，具體參考官方源碼庫（https://github.com/ultralytics/ultralytics）和mmyolo庫（https://mmyolo.readthedocs.io/zh_CN/latest/recommended_topics/algorithm_descriptions/yolov8_description.html）

YOLOv8安裝

（1）直接安裝： pip install ultralytics

（2）下載倉庫安裝：git clone https://github.com/ultralytics/ultralytics

cd ultralytics

pip install -e .

YOLOv8訓(xùn)練

yolov8的訓(xùn)練采用命令行的模型（當(dāng)然也可以使用api調(diào)用的方式），下面是yolov8官方給定的訓(xùn)練方式：

一個簡單的單卡模型訓(xùn)練命令如下：

一個簡單的多卡模型訓(xùn)練命令如下：

當(dāng)然更多的參數(shù)在訓(xùn)練時可以被指定，這些參數(shù)包括如下：

YOLOv8驗證

yolov8的驗證采用命令行的模型（當(dāng)然也可以使用api調(diào)用的方式），下面是yolov8官方給定的驗證方式：

?

YOLOv8推理測試

yolov8的推理測試采用api調(diào)用的方式，下面是yolov8官方給定的測試方式：

?YOLOv8推理可為各種任務(wù)生成預(yù)測結(jié)果，可返回一個結(jié)果對象列表或一個節(jié)省內(nèi)存的結(jié)果對象生成器（在使用流模式時，即在model中設(shè)置stream=True）

YOLOv8可以處理不同類型的輸入源（如下表所示）進(jìn)行推理，輸入源包括靜態(tài)圖像、視頻流和各種數(shù)據(jù)格式。表中還顯示了參數(shù) stream=True表示可以在流模式下使用這個源。流模式有利于處理視頻或?qū)崟r流，因為它會創(chuàng)建一個結(jié)果生成器，而不是將所有幀加載到內(nèi)存中。（在處理長視頻或大型數(shù)據(jù)集時，使用 stream=True 可以有效管理內(nèi)存。當(dāng) stream=False 時，所有幀或數(shù)據(jù)點的結(jié)果都會存儲在內(nèi)存中，這可能會迅速增加數(shù)據(jù)量，最終導(dǎo)致內(nèi)存不足錯誤。相比之下，stream=True利用生成器，只將當(dāng)前幀或數(shù)據(jù)點的結(jié)果保存在內(nèi)存中，從而大大減少了內(nèi)存消耗，防止出現(xiàn)內(nèi)存不足問題）

model.predict()接受多個參數(shù)，可在推理時通過下面的這些參數(shù)覆蓋默認(rèn)值：

更多的信息如圖像格式、視頻格式、檢測結(jié)果格式等信息請參考官網(wǎng)：https://docs.ultralytics.com/modes/predict/#working-with-results

YOLOv8導(dǎo)出

yolov8模型的導(dǎo)出采用命令行的模型（當(dāng)然也可以使用api調(diào)用的方式），下面是yolov8官方給定的模型導(dǎo)出方式：

可用的YOLOv8模型的導(dǎo)出格式如下表所示，您可以使用format參數(shù)導(dǎo)出任何格式，例如format='onnx' 或 format='engine'

?

?

?

?