YOLOv8 简介

YOLOv8 是 YOLO 系列的最新版本，在 2023 年由 Ultralytics（YOLO 的创造者）发布，是性能最佳的目标检测器之一，被视为对现有 YOLO 变体（如 YOLO v5 和 YOLOX）的改进。 

YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用 YOLOv8 的功能。

一、关键特性如下：

改进的准确性：YOLOv8 预计将在目标检测方面提供比其前代版本更高的准确性。这种改进可以带来更加精确和可靠的检测结果。

更高的速度和效率：YOLOv8 可能进行了优化，改进了对实时应用和有限计算资源的支持，使其能够在保持高准确性的同时实现更快的处理速度。这对于实时应用或计算资源有限的场景至关重要。

先进的骨干网络：YOLOv8 会采用更先进的骨干网络架构，如 Darknet-53 或类似架构，从而能够进行更好的特征提取和表示。

增强的目标分类：YOLOv8 在目标分类能力上进行了改进，使得检测到的目标能够进行更准确和详细的分类。

• 优势：

  • 改进了对象分类能力
  • 更适合实时应用和边缘设备
  • 比 YOLOX 更快更准确

二、模型的大小（Size）和准确性（Accuracy）：

yolov8n：Nano 预训练 Yolov8 模型，优化速度和效率。
yolov8s：Small 预训练 Yolov8 模型，平衡了速度和准确性，适用于需要实时性能和良好检测质量的应用。
yolov8m：Medium 预训练 Yolov8 模型，以适度的计算需求提供更高的准确性。
yolov8l：Large 预训练 Yolov8 模型，优先考虑高端系统的最大检测准确性，但计算强度较大。
yolov8x：Extra Large Yolov8 模型，是最准确的，但需要大量的计算资源，适合优先考虑检测性能的高端系统。

Yolov8 是 Yolo 系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX 等模型的设计优点，在全面提升改进 Yolov5 模型结构的基础上实现，同时保持了 Yolov5 工程化简洁易用的优势。

下表所示是基于 COCO Val 2017 数据集测试 Yolov8 的 mAP、参数量和 FLOPs 结果：

 三、YOLOv8 网络结构：

Yolov8模型网络结构图如下图所示。

四、YOLOv8 导出格式：

下表列出了可用的 Yolov8 导出格式：

Format	format Argument	Model	Metadata	Arguments
PyTorch	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimize, batch
ONNX	onnx	yolov8n.onnx	✅	imgsz, half, dynamic, simplify, opset, batch
OpenVINO	openvino	yolov8n_openvino_model/	✅	imgsz, half, int8, batch
TensorRT	engine	yolov8n.engine	✅	imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, half, int8, nms, batch
TF SavedModel	saved_model	yolov8n_saved_model/	✅	imgsz, keras, int8, batch
TF GraphDef	pb	yolov8n.pb	❌	imgsz, batch
TF Lite	tflite	yolov8n.tflite	✅	imgsz, half, int8, batch
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz, batch
TF.js	tfjs	yolov8n_web_model/	✅	imgsz, half, int8, batch
PaddlePaddle	paddle	yolov8n_paddle_model/	✅	imgsz, batch
NCNN	ncnn	yolov8n_ncnn_model/	✅	imgsz, half, batch

                                                                                         老徐，2024/5/23