背景介紹

YOLOv8是來自Ultralytics的最新的基于YOLO的對象檢測模型系列，提供最先進的性能。

利用以前的 YOLO 版本，YOLOv8模型更快、更準確，同時為訓練模型提供統一框架，以執行：

物體檢測

實例分割

圖像分類

下面是使用YOLOv8做目標檢測和實例分割的演示視頻：

YOLOv8的新特性與可用模型

Ultralytics為YOLO模型發布了一個全新的存儲庫。它被構建為 用于訓練對象檢測、實例分割和圖像分類模型的統一框架。

以下是有關新版本的一些主要功能：

用戶友好的 API（命令行 + Python）。

更快更準確。

支持:

物體檢測

實例分割

圖像分類

可擴展到所有以前的版本。

新骨干網絡。

新的無錨頭。

新的損失函數。

YOLOv8 還高效靈活地支持多種導出格式，并且該模型可以在 CPU 和 GPU 上運行。

YOLOv8 模型的每個類別中有五個模型用于檢測、分割和分類。YOLOv8 Nano 是最快和最小的，而 YOLOv8 Extra Large (YOLOv8x) 是其中最準確但最慢的。

YOLOv8 捆綁了以下預訓練模型：

在圖像分辨率為 640 的 COCO 檢測數據集上訓練的對象檢測檢查點。

在圖像分辨率為 640 的 COCO 分割數據集上訓練的實例分割檢查點。

在圖像分辨率為 224 的 ImageNet 數據集上預訓練的圖像分類模型。

如下是使用YOLOv8x做目標檢測和實例分割模型的輸出：

如何使用YOLOv8

要充分發揮YOLOv8的潛力，需要從存儲庫和ultralytics包中安裝要求。要安裝要求，我們首先需要克隆存儲庫。

在最新版本中，Ultralytics YOLOv8提供了完整的命令行界面 (CLI) API 和 Python SDK，用于執行訓練、驗證和推理。要使用yoloCLI，我們需要安裝ultralytics包。

pip install ultralytics

【1】如何使用命令行界面 (CLI) 使用 YOLOv8？ 安裝必要的包后，我們可以使用命令訪問 YOLOv8 CLI yolo。以下是使用yoloCLI 運行對象檢測推理的示例。

yolo task=detect 
mode=predict 
model=yolov8n.pt 
source="image.jpg"

該task標志可以接受三個參數：detect、classify和segment。同樣，模式可以是train、val或之一predict。我們也可以像export導出經過訓練的模型時一樣傳遞模式。 【2】如何通過Python API使用YOLOv8？ 我們還可以創建一個簡單的Python文件，導入YOLO模塊并執行我們選擇的任務。

from ultralytics import YOLO


model = YOLO("yolov8n.pt")  # load a pretrained YOLOv8n model


model.train(data="coco128.yaml")  # train the model
model.val()  # evaluate model performance on the validation set
model.predict(source="https://ultralytics.com/images/bus.jpg")  # predict on an image
model.export(format="onnx")  # export the model to ONNX format

例如，上述代碼首先會在COCO128數據集上訓練YOLOv8 Nano模型，在驗證集上進行評估，并對樣本圖像進行預測。

讓我們使用yoloCLI 并使用對象檢測、實例分割和圖像分類模型進行推理。

【3】目標檢測的推理結果 以下命令使用YOLOv8 Nano模型對視頻運行檢測。

yolotask=detectmode=predictmodel=yolov8n.ptsource='input/video_3.mp4'show=True

推理在筆記本電腦GTX1060 GPU上以接近105 FPS的速度運行。我們得到以下輸出：

YOLOv8 Nano 模型在幾幀中將貓混淆為狗。讓我們使用 YOLOv8 Extra Large 模型對同一視頻運行檢測并檢查輸出：

yolotask=detectmode=predictmodel=yolov8x.ptsource='input/video_3.mp4'show=True

Extra Large模型在GTX1060 GPU上的平均運行速度為 17 FPS。

【4】實例分割的推理結果 使用YOLOv8 實例分割模型運行推理同樣簡單。我們只需要更改上面命令中的task和model名稱。

yolotask=segmentmode=predictmodel=yolov8x-seg.ptsource='input/video_3.mp4'show=True

因為實例分割與對象檢測相結合，所以這次的平均 FPS 約為 13。

分割圖在輸出中看起來非常干凈。即使貓在最后幾幀中躲在方塊下，模型也能夠檢測并分割它。

【5】圖像分類推理結果

最后，由于YOLOv8已經提供了預訓練的分類模型，讓我們使用該yolov8x-cls模型對同一視頻進行分類推理。這是存儲庫提供的最大分類模型。

yolo task=classify mode=predict model=yolov8x-cls.pt source='input/video_3.mp4' show=True

默認情況下，視頻使用模型預測的前5個類進行注釋。在沒有任何后處理的情況下，注釋直接匹配ImageNet類名。

審核編輯：劉清

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。