【DL】Ultralytics YOLOv8

继YOLOv5大成之后，Ultralytics 又推出了YOLOv8。
github地址：https://github.com/ultralytics/ultralytics
权重：https://github.com/ultralytics/assets/releases
文档：https://docs.ultralytics.com/

目录

1 YOLO：简史

2 YOLOv8

3 安装

4 使用

---

1 YOLO：简史

YOLO（You Only Look Once）是一种流行的目标检测和图像分割模型，由华盛顿大学的Joseph Redmon和Ali Farhadi推出。YOLO于2015年推出，以其高速和准确迅速走红。 
YOLOv1：2015年Joseph Redmon和Ali Farhadi等人（华盛顿大学）提出，以其高速和准确迅速走红。。
YOLOv2：2016年Joseph Redmon和Ali Farhadi等人（华盛顿大学）提出，通过合并batch normalization、锚框和dimension clusters来改进原始模型。 
YOLOv3：2018年Joseph Redmon和Ali Farhadi等人（华盛顿大学）提出。YOLOv1-v3作者Joseph Redmon宣布退出CV界，不再官方推出YOLO新工作。v3使用更高效的骨干网络、多个锚点和空间金字塔池化进一步增强了该模型的性能。 
YOLOv4：2020年Alexey Bochkovskiy和Chien-Yao Wang等人提出。引入了Mosaic数据增强、新的无锚检测头和新的损失函数等创新。 
YOLOv5：2020年Ultralytics公司提出。YOLOv5进一步提高了模型的性能，并添加了超参数优化、集成实验跟踪和自动导出到流行导出格式等新功能。 
YOLOv6：2022年美团公司提出。目前正在该公司的许多自动配送机器人中使用。 
YOLOv7：2022年Alexey Bochkovskiy和Chien-Yao Wang等人提出。YOLOv7在COCO关键点数据集上添加了额外的任务，如姿态估计。 
YOLOv8：2023年Ultralytics公司提出。

2 YOLOv8

Ultralytics YOLOv8是YOLO目标检测和图像分割模型的最新版本。作为一款尖端、最先进的（SOTA）模型，YOLOv8在之前版本成功的基础上，引入了新的功能和改进，以增强性能、灵活性和效率。
YOLOv8的设计非常注重速度、尺寸和准确性，使其成为各种视觉人工智能任务的有力选择。它通过引入新的骨干网络、新的无锚分裂头和新的损失函数等创新，性能优于以前的版本。这些改进使YOLOv8能够提供卓越的结果，同时保持小尺寸和高速度。
此外，YOLOv8支持全方位的AI视觉任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性允许用户在不同的应用程序和域中使用YOLOv8的功能。

3 安装

方法一：pip install

pip3 install ultralytics

方法二：git clone

git clone https://github.com/ultralytics/ultralytics
cd ultralytics 
pip install -e .

4 使用

（1）command line interface (CLI)
Ultralytics yolo命令使用以下语法：
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify] 
MODE (required) is one of [train, val, predict, export, track] ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
示例1：

yolo predict model=yolov8n.pt imgsz=640 conf=0.25 

结果：

 

 

报错：
cv.gapi.wip.GStreamerPipeline = cv.gapi_wip_gst_GStreamerPipeline
AttributeError: partially initialized module 'cv2' has no attribute 'gapi_wip_gst_GStreamerPipeline' (most likely due to a circular import)

解决方法：
pip install opencv-python install "opencv-python-headless<4.3"

示例2：

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

示例3：Train

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

示例4：Val

yolo detect val model=yolov8n.pt

示例5：Predict

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

示例6：Export

yolo export model=yolov8n.pt format=onnx

可用的YOLOv8导出格式如下表所示。您可以使用format参数导出到任何格式，即format='onnx'或format='engine'。

（2）使用Python

• 代码

from ultralytics import YOLO
from PIL import Image
# 加载预训练的 YOLOv8n 模型
model = YOLO('yolov8n.pt')
# 推理
results = model('Test.jpg')  # Results 对象列表
# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')  # 保存图像
pass

• 结果图

Results对象具有以下属性：

 Results对象具有以下方法：