YOLOv8是 Ultralytics 推出的最新目标检测模型，它在准确性和速度上都有显著提升。基于之前 YOLO 版本的技术进步，YOLOv8 引入了新特性和优化，使其成为各种目标检测任务的理想选择，适用于广泛的应用场景。
YOLOv8 采用了最先进的骨干网络和颈部架构，从而提高了特征提取和目标检测性能。与传统基于锚点的方法相比，无锚点分裂 Ultralytics 头部有助于提高检测过程的准确性和效率。YOLOv8 专注于保持准确性与速度之间的最佳平衡，适用于各种应用领域的实时目标检测任务。此外，YOLOv8 提供了一系列预训练模型，以满足各种任务和性能要求，便于为特定用例找到合适的模型。
YOLOv8 系列提供了多样化的模型，每个模型都专门针对计算机视觉中的特定任务。这些模型旨在满足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不同需求。每个变体都针对各自的任务进行了优化，以确保高性能和高精确度。此外，这些模型还兼容各种操作模式，包括推理、验证、训练和输出，便于在部署和开发的不同阶段使用。
以下是YOLOv8模型变体的概览，突出了它们在特定任务中的适用性以及与各种操作模式的兼容性，如推理、验证、训练和导出。这展示了 YOLOv8 系列的多功能性和鲁棒性，使其适合于计算机视觉领域的多种应用。
YOLOv8 模型在各种基准数据集上都达到了最先进的性能。例如，YOLOv8n 模型在 COCO 数据集上的 mAP（平均精度）为 37.3，在 A100 TensorRT 上的速度为 0.99 毫秒。每个模型变体在不同任务和数据集上的详细性能指标如下表所示：
在 COCO 上训练的模型使用示例，请参考检测文档，其中包括 80 个预先训练的类别。在 Open Image V7 上训练的模型使用示例，请参考检测文档，其中包括 600 个预先训练的类别。在 COCO 上训练的模型使用示例，请参阅分割文档，其中包括 80 个预先训练的类别。在 ImageNet 上训练的模型使用示例，请参考分类文档，其中包括 1000 个预训练的类别。在 COCO 上训练的模型使用示例，请参见姿势估计文档，其中包括一个预训练类别 "人"。在 DOTAv1 上训练的模型使用示例，请参见定向检测文档，其中包括 15 个预先训练的类别。
本示例提供了简单的YOLOv8训练和推理示例。有关这些模式和其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。请注意，以下示例用于 YOLOv8 Detect 模型的对象检测。有关其他支持的任务，请参阅分割、分类、OBB 文档和姿势文档。
from ultralytics import YOLO
# Load a COCO-pretrained YOLOv8n model
model = YOLO(
"yolov8n.pt"
)
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640
)
# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model(
"path/to/bus.jpg"
)