YOLOv8是 Ultralytics YOLO 系列的最新迭代,旨在通过先进的功能改善实时目标检测性能。与早期版本不同,YOLOv8 采用了无锚点的分割头、最先进的主干和颈部架构,并提供了优化的精度-速度权衡,使其成为多样化应用的理想选择。如需更多详细信息,请查看“概述”和“主要特点”部分。
YOLOv8支持各种计算机视觉任务,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特定任务进行了优化,并支持推理、验证、训练、导出等不同操作模式。有关详细信息,请参见“支持的任务和模式”部分。
YOLOv8模型在各种基准数据集上实现了最先进的性能。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 上达到了 0.99 ms 的速度。有关不同任务和数据集上各模型变体的详细性能指标,请参阅“性能指标”部分。
可以使用 Python 或 CLI 对 YOLOv8 模型进行训练。以下是使用 COCO 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 COCO 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)
有关详细信息,请查看“训练”文档。
可以对 YOLOv8 模型进行性能基准测试,使用 PyTorch、ONNX、TensorRT 等进行基准测试。以下是使用 Python 和 CLI 进行基准测试的命令示例:
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)