YOLOv8 Ultralytics:最先進(jìn)的YOLO模型
YOLOv8是什么？
YOLOv8是Ultralytics最新推出的基于YOLO的物體檢測模型系列，提供了最先進(jìn)的性能。
利用以前的YOLO版本，YOLOv8型號更快、更精確同時(shí)為表演的訓(xùn)練模型提供統(tǒng)一的框架
物體檢測，實(shí)例分段，以及圖像分類。
在撰寫本文時(shí)，許多特性還沒有添加到Ultralytics YOLOv8存儲(chǔ)庫中。這包括已訓(xùn)練模型的完整導(dǎo)出功能集。此外，Ultralytics將在Arxiv上發(fā)布一篇論文，比較YOLOv8與其他最先進(jìn)的視覺模型。
YOLOv8的新功能
超lytics發(fā)布了一個(gè)全新的YOLO模型庫。它是作為一個(gè)用于訓(xùn)練對象檢測、實(shí)例分割和圖像分類模型的統(tǒng)一框架。
以下是新版本的一些關(guān)鍵特性:
用戶友好的API(命令行+ Python)。
更快更準(zhǔn)。
支持
物體檢測，
實(shí)例分割，
圖像分類。
可擴(kuò)展到所有以前的版本。
新的骨干網(wǎng)絡(luò)。
新的無錨頭。
新?lián)p失函數(shù)。
YOLOv8還非常高效和靈活，支持多種導(dǎo)出格式，該模型可以在CPU和GPU上運(yùn)行。
YOLOv8中提供的型號
在YOLOv8模型的每個(gè)類別中都有五個(gè)模型用于檢測、分割和分類。YOLOv8 Nano是最快和最小的，而YOLOv8 Extra Large (YOLOv8x)是其中最精確但最慢的。
YOLOv8與以下預(yù)培訓(xùn)型號捆綁在一起:
在圖像分辨率為640的COCO檢測數(shù)據(jù)集上訓(xùn)練的對象檢測檢查點(diǎn)。
在圖像分辨率為640的COCO分割數(shù)據(jù)集上訓(xùn)練的實(shí)例分割檢查點(diǎn)。
在圖像分辨率為224的ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的圖像分類模型。
YOLOv8怎么用？
要發(fā)揮YOLOv8的全部潛力，需要安裝存儲(chǔ)庫中的需求以及超lytics包裹。
為了安裝需求，我們首先需要克隆存儲(chǔ)庫。
git克隆https://github.com/ultralytics/ultralytics.git接下來，安裝需求。
pip安裝-r要求. txt在最新的版本中，Ultralytics YOLOv8提供了這兩者，一個(gè)完整的命令行界面(CLI) API和Python SDK用于執(zhí)行訓(xùn)練、驗(yàn)證和推理。
要使用你只活一次CLI，我們需要安裝超lytics包裹。
pip安裝ultralytics如何使用命令行界面(CLI)使用YOLOv8？
安裝完必要的軟件包后，我們可以使用你只活一次命令。下面是一個(gè)使用運(yùn)行對象檢測推理的示例你只活一次CLI。
yolo task=detect \模式=預(yù)測\model=yolov8n.pt \source="image.jpg "這工作標(biāo)志可以接受三個(gè)參數(shù):發(fā)現(xiàn),分類，以及段。類似地，模式可以是以下任一種火車,英國壓力單位，或者預(yù)測。我們也可以將模式傳遞為出口導(dǎo)出定型模型時(shí)。
下圖顯示了所有可能的你只活一次CLI標(biāo)志和參數(shù)。
如何使用Python API使用YOLOv8？
我們還可以創(chuàng)建一個(gè)簡單的Python文件，導(dǎo)入YOLO模塊并執(zhí)行我們選擇的任務(wù)。
從 超lytics進(jìn)口 YOLO模型= YOLO(" yolov8n.pt ")#加載預(yù)訓(xùn)練的YOLOv8n模型模型.訓(xùn)練(數(shù)據(jù)=" coco128.yaml ")#訓(xùn)練模型model.val()#評估驗(yàn)證集上的模型性能模型.預(yù)測(來源="https://ultralytics.com/images/bus.jpg")#在圖像上預(yù)測模型.導(dǎo)出(格式=" onnx ")#將模型導(dǎo)出為ONNX格式例如，上面的代碼將首先在COCO128數(shù)據(jù)集上訓(xùn)練YOLOv8 Nano模型，在驗(yàn)證集上對其進(jìn)行評估，并在樣本圖像上執(zhí)行預(yù)測。
讓我們使用你只活一次CLI，并使用對象檢測、實(shí)例分割和圖像分類模型進(jìn)行推理。
YOLOv8 vs YOLOv7 vs YOLOv6 vs YOLOv5
與之前的YOLO車型相比，YOLOv8的表現(xiàn)似乎要好得多。不僅是YOLOv5車型，YOLOv8也領(lǐng)先于YOLOv7和YOLOv6車型。
當(dāng)與在640圖像分辨率下訓(xùn)練的其他YOLO模型相比時(shí)，所有YOLOv8模型在相似數(shù)量的參數(shù)下具有更好的吞吐量。
