YOLOv8 保姆级别安装教程
什么是Yolov8?
Ultralytics YOLOv8 是一款尖端的、最先进的 (SOTA) 模型,它以之前 YOLO 版本的成功为基础,并引入了新功能和改进,以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用,使其成为各种对象检测和跟踪、实例分割、图像分类和姿势估计任务的绝佳选择
按照官方描述,YOLOv8 是一个 SOTA 模型,它建立在以前 YOLO 版本的成功基础上,并引入了新的功能和改进,以进一步提升性能和灵活性。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数,可以在从 CPU 到 GPU 的各种硬件平台上运行。
不过 ultralytics 并没有直接将开源库命名为 YOLOv8,而是直接使用 ultralytics 这个词,原因是 ultralytics 将这个库定位为算法框架,而非某一个特定算法,一个主要特点是可扩展性。其希望这个库不仅仅能够用于 YOLO 系列模型,而是能够支持非 YOLO 模型以及分类分割姿态估计等各类任务。
总而言之,ultralytics 开源库的两个主要优点是:
融合众多当前 SOTA 技术于一体
未来将支持其他 YOLO 系列以及 YOLO 之外的更多算法
yolov5与yolov8有什么区别?
下表为官方在 COCO Val 2017 数据集上测试的 mAP、参数量和 FLOPs 结果。可以看出 YOLOv8 相比 YOLOv5 精度提升非常多,但是 N/S/M 模型相应的参数量和 FLOPs 都增加了不少,从上图也可以看出相比 YOLOV5 大部分模型推理速度变慢了。
额外提一句,现在各个 YOLO 系列改进算法都在 COCO 上面有明显性能提升,但是在自定义数据集上面的泛化性还没有得到广泛验证,至今依然听到不少关于 YOLOv5 泛化性能较优异的说法。对各系列 YOLO 泛化性验证也是 MMYOLO 中一个特别关心和重点发力的方向。
Yolov8本地初始化
这里可以看下原先 yolov5的安装示例 这里conda不再赘述.
1、创建yolov8环境
conda create -n yolov8
2、激活yolov8环境
conda activate yolov8
3、安装依赖Ultralytics
pip install git+https://github.com/ultralytics/ultralytics.git
4、拉去ultralytics到本地
git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
5、直接用yolo命令,这个是yolov8一个好用的特性
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
(注意:这个模型如果没有在目录下会自动下载,需要魔法噢,不然会超时~)
6、执行后会在runs目录生成推理图
效果图:
Yolov8命令
基础语法
yolo [TASK] [MODE] [Option.....]
yolo detect predict model=yolov8n.pt source=‘https://ultralytics.com/images/bus.jpg’
yolo classify predict model=yolov8n.pt source=‘https://ultralytics.com/images/bus.jpg’
任务:
- detect :检测
- classify:分类
- segment: 分段
- pose: 姿势
模型:
- train 训练
- val 验证
- predict 推理
- export 导出
- track 轨道
基于python调用
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from YAML
model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
基于yolov8初步用法就到这里结束啦
下个章节说说训练自己的数据集和Flask接入开发自己的识别应用。敬请期待
如果你熟悉yolov5,那么配置yolov8就简单很多,如果你不熟悉你可以回顾以下内容:
看↓↓↓方格或搜索: 码猿趣事
,回复关键字:yolov5
持续更新中~。