UltralyticsYOLOv8_ultralytics使用

pip install ultralytics

> 
> PyPI 是 Python Package Index 的缩写，是一个存储和分发 Python 软件包的公共仓库。开发者可以通过 PyPI 找到并安装各种 Python 软件包，使得在 Python 环境中轻松地使用这些包的功能。
> 
> 
> 


Ultralytics 命令行界面 (CLI) 允许使用简单的单行命令，而无需Python 环境。


### Ultralytics 命令行界面 (CLI)


Ultralytics yolo 命令使用以下语法：

yolo TASK MODE ARGS

1.训练检测模型 10 次，初始学习率为 0.01

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

2.在图像大小为 320 时，使用预训练的分割模型预测 YouTube 视频：

yolo predict model=yolov8n-seg.pt source=‘https://youtu.be/LNwODJXcvt4’ imgsz=320

3.在批量大小为 1、图像大小为 640 时，验证预先训练的检测模型：

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

4.将YOLOv8n 分类模型导出为ONNX 格式，图像大小为 224 x 128（无需 TASK）

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

5.运行特殊命令可查看版本、查看设置、运行检查等：

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

### Ultralytics+Python

from ultralytics import YOLO

Create a new YOLO model from scratch

创建一个新的YOLO模型（从头开始）

model = YOLO(‘yolov8n.yaml’)

Load a pretrained YOLO model (recommended for training)

加载一个预训练的YOLO模型（推荐用于训练）

model = YOLO(‘yolov8n.pt’)

Train the model using the ‘coco128.yaml’ dataset for 3 epochs

使用’coco128.yaml’数据集对模型进行3个时期的训练

results = model.train(data=‘coco128.yaml’, epochs=3)

Evaluate the model’s performance on the validation set

评估模型在验证集上的性能

results = model.val()

Perform object detection on an image using the model

使用模型对图像进行目标检测

results = model(‘https://ultralytics.com/images/bus.jpg’)

Export the model to ONNX format

将模型导出为ONNX格式

success = model.export(format=‘onnx’)

## 二、图像预测


![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/969e2039b44e4ff79029b0f51458eefd.png#pic_center)


在机器学习和计算机视觉领域，从可视数据中找出意义的过程被称为 "推理 "或 “预测”。


### 预测模式的主要功能


**1.返回一个包含 stream=False**

from ultralytics import YOLO

Load a model

加载模型

model = YOLO(‘yolov8n.pt’) # pretrained YOLOv8n model

Run batched inference on a list of images

在图像列表上运行批处理推理

results = model([‘im1.jpg’, ‘im2.jpg’]) # return a list of Results objects

Process results list

处理结果列表

for result in results:
boxes = result.boxes # Boxes object for bounding box outputs
# 用于边界框输出的边界框对象
masks = result.masks # Masks object for segmentation masks outputs
# 用于分割掩模输出的掩模对象
keypoints = result.keypoints # Keypoints object for pose outputs
# 用于姿势输出的关键点对象
probs = result.probs # Probs object for classification outputs
# 用于分类输出的概率对象
result.show() # display to screen
# 显示到屏幕
result.save(filename=‘result.jpg’) # save to disk
# 保存到磁盘

**2.返回一个带有 stream=True**

from ultralytics import YOLO

Load a model

model = YOLO(‘yolov8n.pt’) # pretrained YOLOv8n model

加载一个模型：使用预训练的YOLOv8n模型

Run batched inference on a list of images

results = model([‘im1.jpg’, ‘im2.jpg’], stream=True) # return a generator of Results objects

对图像列表进行批量推理：返回一个Results对象的生成器

Process results generator

for result in results:
boxes = result.boxes # Boxes object for bounding box outputs
masks = result.masks # Masks object for segmentation masks outputs
keypoints = result.keypoints # Keypoints object for pose outputs
probs = result.probs # Probs object for classification outputs
result.show() # display to screen
result.save(filename=‘result.jpg’) # save to disk
# 处理结果生成器：boxes表示边界框输出的Boxes对象
# masks表示分割掩模输出的Masks对象
# keypoints表示姿势输出的Keypoints对象
# probs表示分类输出的Probs对象
# 显示到屏幕
# 保存到磁盘

> 
> 使用 stream=True 用于处理长视频或大型数据集，以有效管理内存。当 stream=False在这种情况下，所有帧或数据点的结果都会存储在内存中，这可能会迅速累加，并导致大量输入出现内存不足错误。与此形成鲜明对比的是 stream=True 利用生成器，它只将当前帧或数据点的结果保存在内存中，从而大大减少了内存消耗并防止出现内存不足的问题。
> 
> 
> 


### 推理源


**1.图像**：在图像文件上运行推理。

from ultralytics import YOLO

Load a pretrained YOLOv8n model

加载预训练的YOLOv8n模型

model = YOLO(‘yolov8n.pt’)

Define path to the image file

定义图像文件的路径

source = ‘path/to/image.jpg’

Run inference on the source

在源图像上运行推理

results