YOLOv8是由Ultralytics公司推出的最新目标检测技术，它在准确性和速度上都有显著提升。基于先前YOLO版本的技术进步，YOLOv8引入了新的特性和优化，使其成为各种目标检测任务的理想选择。
YOLOv8采用了最先进的主干网络和颈部架构，从而提高了特征提取和目标检测性能。这种架构的改进，使得YOLOv8在保持高精度的同时，也能达到快速的检测速度。
YOLOv8系列提供了多种预训练模型，以满足不同的任务需求和性能要求。这些模型覆盖了从目标检测到更复杂的任务，如实例分割、姿态/关键点检测、定向目标检测和分类等。
YOLOv8的每个模型都经过了优化，以确保在特定任务上的性能和精度。此外，这些模型还支持不同的操作模式，包括推理、验证、训练和导出，使得它们可以轻松地在开发和部署的不同阶段使用。
YOLOv8在多个标准数据集上实现了最新的性能。例如，YOLOv8n模型在COCO数据集上达到了37.3的mAP（平均精度均值），在A100 TensorRT上的速度为0.99毫秒。详细的性能指标可以在性能评估部分找到。
YOLOv8模型还支持在不同的导出格式下进行性能测试，包括PyTorch、ONNX和TensorRT等。以下是使用Python和CLI进行性能测试的示例命令。
from ultralytics import YOLO
# 加载一个预训练的YOLOv8n模型
model = YOLO(
"yolov8n.pt"
)
# 在COCO8示例数据集上训练模型100个周期
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640
)
YOLOv8模型的训练可以通过Python或CLI进行。以下是使用Python进行模型训练的示例。
YOLOv8是什么？它与之前的YOLO版本有何不同？ YOLOv8是Ultralytics YOLO系列的最新迭代，旨在通过先进的特性提高实时目标检测性能。与早期版本不同，YOLOv8采用了无锚点分割的Ultralytics头部、最先进的主干和颈部架构，并提供了优化的准确性-速度权衡，使其适用于多种应用。更多详情，请查看概览和主要特点部分。
如何将YOLOv8用于不同的计算机视觉任务？ YOLOv8支持广泛的计算机视觉任务，包括目标检测、实例分割、姿态/关键点检测、定向目标检测和分类。每个模型变体都针对其特定任务进行了优化，并支持不同的操作模式，如推理、验证、训练和导出。更多信息，请参见支持的任务和场景部分。
YOLOv8模型的性能指标是什么？ YOLOv8在多个标准数据集上实现了最新的性能。例如，YOLOv8n模型在COCO数据集上达到了37.3的mAP（平均精度均值），在A100 TensorRT上的速度为0.99毫秒。详细的性能指标可以在性能评估部分找到。
如何训练YOLOv8模型？ 可以使用Python或CLI来训练YOLOv8模型。以下是使用预训练的YOLOv8模型在COCO8数据集上进行100个周期训练的示例：
from ultralytics import YOLO
# 加载一个预训练的YOLOv8n模型
model = YOLO(
"yolov8n.pt"
)
# 在COCO8示例数据集上训练模型100个周期
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640
)
更多详细信息，请访问训练文档。
如何衡量YOLOv8模型的性能？ 可以衡量YOLOv8模型在不同导出格式下的性能，包括速度和准确性。可以使用PyTorch、ONNX和TensorRT等进行性能测试。以下是使用Python和CLI进行性能测试的示例命令。
from ultralytics.utils.benchmarks import benchmark
# 在GPU上进行基准测试
benchmark(
model="yolov8n.pt",
data="coco8.yaml",
imgsz=640,
half=False,
device=0
)