【YOLOv8系列】（三）YOLOv8应用实践：从识别到分类再到分割的全方位视觉解决方案

随着深度学习技术的不断演进，目标检测领域的明星模型——YOLO系列，已经发展到了第八代，即YOLOv8。这一版本不仅继承了前辈们快速与准确的特点，还实现了功能上的巨大飞跃，成为了一个全能型的视觉AI工具箱，支持检测、分割、姿态估计、跟踪以及分类等多种任务。本文将深入探讨YOLOv8在实际应用中的多样化表现，从基本的目标识别出发，延伸至细致的图像分类与语义分割，展现其在复杂场景下的强大能力。 

本系列其他文章 

【YOLOv8系列】（一）YOLOv8介绍：实时目标检测的最新突破-CSDN博客

【YOLO8系列】（二）YOLOv8环境配置，手把手嘴对嘴保姆教学-CSDN博客

一.物体检测 

物体检测是 YOLOv8 的基础功能，也是最常见的应用场景。通过 YOLOv8，我们可以在图像中快速、准确地识别出不同的目标物体，并标记其位置。图像分类器的输出是单一类别标签和置信度分数。

Model	size (pixels)	mAPval 50-95	Speed CPU ONNX (ms)	Speed A100 TensorRT (ms)	params (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

• 数据准备：收集并标注包含目标物体的图像数据集。确保数据集有足够的多样性和数量以提高模型的泛化能力。

• 模型训练：使用 YOLOv8 预训练模型，在目标数据集上进行微调。调整训练参数以达到最佳效果。

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)

• 结果评估：使用验证集评估模型的识别精度和速度。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category

二.图像分类

在目标识别的基础上，YOLOv8 还能够对识别出的目标进行分类。通过结合分类标签，模型可以在检测出目标的同时，给出每个目标所属的类别信息。

Model	size (pixels)	acc top1	acc top5	Speed CPU ONNX (ms)	Speed A100 TensorRT (ms)	params (M)	FLOPs (B) at 640
YOLOv8n-cls	224	69.0	88.3	12.9	0.31	2.7	4.3
YOLOv8s-cls	224	73.8	91.7	23.4	0.35	6.4	13.5
YOLOv8m-cls	224	76.8	93.5	85.4	0.62	17.0	42.7
YOLOv8l-cls	224	78.3	94.2	163.0	0.87	37.5	99.7
YOLOv8x-cls	224	79.0	94.6	232.0	1.01	57.4	154.8

• 数据准备：除了目标位置标注外，还需要给每个目标物体加上类别标签。

• 模型训练：在包含分类标签的数据集上训练 YOLOv8 模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.yaml")  # build a new model from YAML
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-cls.yaml").load("yolov8n-cls.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)

• 结果评估：使用包含分类标签的验证集评估模型的分类精度。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.top1  # top1 accuracy
metrics.top5  # top5 accuracy

 三.实例分割

实例分割是计算机视觉中的高级任务，YOLOv8 在这一领域同样表现出色。通过分割任务，模型不仅能识别目标的位置，还能精确地勾勒出目标的边界。

Model	size (pixels)	mAPbox 50-95	mAPmask 50-95	Speed CPU ONNX (ms)	Speed A100 TensorRT (ms)	params (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

• 数据准备：需要准备包含目标分割掩码的数据集。

• 模型训练：在分割数据集上训练 YOLOv8 模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.yaml")  # build a new model from YAML
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-seg.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

• 结果评估：使用包含分割掩码的验证集评估模型的分割精度。 

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # a list contains map50-95(B) of each category
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list contains map50-95(M) of each category

 四.姿势估计

姿态估计是计算机视觉中的另一重要任务，用于预测图像中人体或物体的关节点位置。YOLOv8 在这一领域也具备强大的表现力，通过姿态估计模型，可以精确地预测和标记关节点位置，适用于人体动作识别、运动分析等场景。

Model	size (pixels)	mAPpose 50-95	mAPpose 50	Speed CPU ONNX (ms)	Speed A100 TensorRT (ms)	params (M)	FLOPs (B)
YOLOv8n-pose	640	50.4	80.1	131.8	1.18	3.3	9.2
YOLOv8s-pose	640	60.0	86.2	233.2	1.42	11.6	30.2
YOLOv8m-pose	640	65.0	88.8	456.3	2.00	26.4	81.0
YOLOv8l-pose	640	67.6	90.0	784.5	2.59	44.4	168.6
YOLOv8x-pose	640	69.2	90.2	1607.1	3.73	69.4	263.2
YOLOv8x-pose-p6	1280	71.6	91.2	4088.7	10.04	99.1	1066.4

• 数据准备：准备包含关节点标注的数据集，通常是标记人体关键点的位置。

• 模型训练：在姿态估计数据集上训练 YOLOv8 模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.yaml")  # build a new model from YAML
model = YOLO("yolov8n-pose.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-pose.yaml").load("yolov8n-pose.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

• 结果评估：使用包含关节点标注的验证集评估模型的姿态估计精度。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category

五、旋转包围框（OBB）

旋转包围框（Oriented Bounding Box, OBB）在目标检测中尤为重要，特别是在处理目标旋转角度较大的应用场景时。YOLOv8 支持 OBB 检测，能够更加精确地捕捉目标的形状和方向。

Model	size (pixels)	mAPtest 50	Speed CPU ONNX (ms)	Speed A100 TensorRT (ms)	params (M)	FLOPs (B)
YOLOv8n-obb	1024	78.0	204.77	3.57	3.1	23.3
YOLOv8s-obb	1024	79.5	424.88	4.07	11.4	76.3
YOLOv8m-obb	1024	80.5	763.48	7.61	26.4	208.6
YOLOv8l-obb	1024	80.7	1278.42	11.83	44.5	433.8
YOLOv8x-obb	1024	81.36	1759.10	13.23	69.5	676.7

• 数据准备：准备包含旋转包围框标注的数据集，标注每个目标的中心点、宽度、高度和旋转角度。

• 模型训练：在包含 OBB 标注的数据集上训练 YOLOv8 模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.yaml")  # build a new model from YAML
model = YOLO("yolov8n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-obb.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

• 结果评估：使用包含 OBB 标注的验证集评估模型的 OBB 检测精度。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val(data="dota8.yaml")  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # a list contains map50-95(B) of each category

六、总结

YOLOv8 通过其高效、灵活的设计，在目标识别、分类、分割、姿态估计和 OBB 检测任务中表现出色，提供了全方位的视觉解决方案。在实际应用中，合理利用 YOLOv8 的各项功能，可以大大提升计算机视觉任务的效率和效果。

如果以上内容对您有帮助，可以三连打赏订阅本专栏哦， 谢谢~