YoloV8的不同版本对比笔记

不同版本模型性能对比

不同版本对比

模型    尺寸 (像素)    mAPbox 50-95    mAPmask 50-95    CPU ONNX 速度 (ms)    A100 TensorRT 速度 (ms)    参数 (M)    FLOPs (B)
YOLOv8n-seg    640    36.7    30.5    96.1    1.21    3.4    12.6
YOLOv8s-seg    640    44.6    36.8    155.7    1.47    11.8    42.6
YOLOv8m-seg    640    49.9    40.8    317.0    2.18    27.3    110.2
YOLOv8l-seg    640    52.3    42.6    572.4    2.79    46.0    220.5
YOLOv8x-seg    640    53.4    43.4    712.1    4.02    71.8    344.1
参数解释
模型: 这是模型的名称，YOLOv8n-seg, YOLOv8s-seg, 等等。YOLOv8是一个流行的目标检测和分割模型，不同的后缀（如n, s, m, l, x）表示不同的模型大小和复杂度。

尺寸 (像素): 这代表输入图像的分辨率。在这个表格中，所有模型都使用640像素的分辨率。

mAPbox 50-95: 这是衡量模型在目标检测任务中性能的指标，即平均精度（mean Average Precision）。数值越高，性能越好。

mAPmask 50-95: 这是衡量模型在实例分割任务中性能的指标。和mAPbox类似，数值越高代表性能越好。

CPU ONNX 速度 (ms): 这是模型在CPU上使用ONNX格式运行时的速度，以毫秒为单位。数值越低，速度越快。

A100 TensorRT 速度 (ms): 这是模型在NVIDIA A100 GPU上使用TensorRT优化后的运行速度，同样以毫秒为单位。

参数 (M): 这是模型的参数数量，以百万（M）为单位。参数数量通常与模型的复杂度和计算需求成正比。

FLOPs (B): 这是模型的浮点运算数，以十亿（Billion）为单位。这个指标反映了模型运行一次所需要的计算量。

不同模型说明

YOLOv8n-seg
特点：它是这一系列中最“轻量级”的模型，有最少的参数和计算需求。
适用场景：适合资源受限的环境，如低功耗设备或实时应用，其中速度比精度更重要。
考虑因素：牺牲了一定的准确性，特别是在更复杂的场景中。
YOLOv8s-seg
特点：比 YOLOv8n-seg 稍复杂，提供更好的性能和准确性。
适用场景：适合需要较高准确性但仍然关注速度的应用，例如中等规模的监控系统。
考虑因素：在保持相对较快的处理速度的同时，提供了更好的检测和分割效果。
YOLOv8m-seg
特点：中等复杂度的模型，提供更高的精度。
适用场景：适用于需要较高精度且有适当计算资源的场景，如高级监控系统或自动化检测系统。
考虑因素：需要更多计算资源，处理速度相对较慢。
YOLOv8l-seg
特点：较大的模型，提供高精度的检测和分割。
适用场景：适合高端应用，如高级研究项目或复杂的图像处理任务。
考虑因素：需要显著的计算资源，处理速度较慢，不适合实时应用。
YOLOv8x-seg
特点：系列中最复杂、最精确的模型。
适用场景：适用于对精度要求极高的场景，如专业级图像分析和研究。
考虑因素：对计算资源的需求极高，可能需要专业级的硬件支持。

训练

训练示意代码
from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n-seg.yaml').load('yolov8n-seg.pt')  # 从YAML构建并转移权重
 
if __name__ == '__main__':
    # 训练模型
    results = model.train(data='coco128-seg.yaml', epochs=10, imgsz=512)
    metrics = model.val()
        这段代码使用了 Ultralytics 的 YOLO 库来实现一个 YOLOv8n-seg 模型的加载、训练和验证过程。首先，它从 ultralytics 库中导入 YOLO 类，这是一种用于目标检测任务的流行深度学习模型。接着，代码通过指定的 YAML 配置文件（yolov8n-seg.yaml）构建了一个 YOLOv8n-seg 模型实例，并加载了预训练的权重（yolov8n-seg.pt）。

        在主程序部分，模型被配置为使用一个名为 coco128-seg.yaml 的数据集进行训练，这是 COCO 数据集的一个子集专门用于目标检测和分割任务。训练过程被设置为进行 10 个周期（epochs），并且输入图像的大小被设置为 512x512 像素。

        最后，代码执行模型的验证过程，评估模型在独立的验证数据集上的性能。这通常涉及到计算诸如准确度、损失等关键性能指标。
————————————————