译者| 朱先忠
审校 | 孙淑娟
YOLOv8是什么？
YOLOv8是Ultralytics
公司推出的基于对象检测模型的YOLO最新系列，它能够提供截至目前最先进的对象检测性能。
借助于以前的YOLO模型版本支持技术，YOLOv8模型运行得更快、更准确，同时为执行任务的训练模型提供了统一的
框架，这包括：
在撰写本文时，Ultralytics的YOLOv8存储库中其实还有很多功能有待添加，这包括训练模型的整套导出功能等。此外，Ultralytics将计划在Arxiv上发布一篇相关的论文，将对YOLOv8与其他最先进的视觉模型进行比较。
YOLOv8的新功能
Ultralytics为YOLO模型发布了一个全新的存储库（https://
Github.com/ultralytics/ultralytics）。该存储库被构建为用于训练对象检测、实例分割和图像分类模型的统一框架。
以下列举的是这个新版本的一些关键功能：
- 用户友好的API（命令行+Python/ target=_blank class=infotextkey>Python）。
- 更快、更准确。
- 支持：
- 目标检测，
- 实例分割和
- 图像分类。
- 可扩展到所有以前的版本。
- 新的骨干网络。
- 新的Anchor-Free head对象检测算法。
- 新的损失函数。
此外，YOLOv8也非常高效和灵活，它可以支持多种导出格式，而且该模型可以在CPU和GPU上运行。
YOLOv8中提供的子模型
YOLOv8模型的每个类别中共有五个模型，以便共同完成检测、分割和分类任务。其中，YOLOv8 Nano是最快和最小的模型，而YOLOv8Extra Large（YOLOv8x）是其中最准确但最慢的模型。
YOLOv8这次发行中共附带了以下预训练模型：
- 在图像分辨率为640的COCO检测数据集上训练的对象检测检查点。
- 在图像分辨率为640的COCO分割数据集上训练的实例分割检查点。
- 在图像分辨率为224的Imag.NET数据集上预处理的图像分类模型。
下面，让我们来看看使用YOLOv8x进行检测和实例分割模型的输出效果，请参考下面的gif动画。
如何使用YOLOv8？
为了充分发挥出YOLOv8的潜力，需要从存储库以及ultralytics包中安装相应的需求。
要安装这些需求，我们首先需要克隆一下该模型的存储库，命令如下：
git clone https://github.com/ultralytics/ultralytics.git
接下来，安装需求配置文件：
pip install -r requirements.txt
在最新版本中，Ultralytics YOLOv8同时提供了完整的命令行界面（CLI）API和Python SDK，用于执行训练、验证和推理任务。
为了使用yolo命令行界面（CLI），我们需要安装ultralytics包，命令如下：
pip install ultralytics
如何通过命令行界面（CLI）使用YOLOv8？
安装必要的软件包后，我们可以使用yolo命令访问YOLOv8 CLI。以下给出的是使用yolo CLI运行对象检测推断的命令行代码示例：
yolo task=detect
mode=predict
model=yolov8n.pt
source="image.jpg"
其中，task参数可以接受三个参数值：detect、classify和segment，分别对应于检测、分类和分段三种任务。类似地，mode参数可以有三个取值，分别是tr
AIn、val或predict。此外，在导出训练模型时，我们也可以将mode参数指定为export。
有关所有可能的yolo CLI标志和参数，有兴趣的读者可参考链接https://docs.ultralytics.com/config/。
如何通过Python API使用YOLOv8？
除了通过上面CLI方式使用YOLOv8外，我们还可以创建一个简单的Python文件，导入YOLO模块并执行我们选择的任务。
from ultralytics import YOLO
model = YOLO("yolov8n.pt") # 加载一个预训练的YOLOv8n模型
model.train(data="coco128.yaml") #训练模型
model.val() # 评估验证集上的模型性能
model.predict(source="https://ultralytics.com/images/bus.jpg") #对图像进行预测
model.export(format="onnx") # 将模型导出为ONNX格式
例如，在上述代码中首先在COCO128数据集上训练YOLOv8 Nano模型，然后在验证集上对其进行评估，最终对样本图像进行预测。
接下来，让我们通过yolo CLI方式来使用对象检测、实例分割和图像分类模型进行推断。
目标检测的推断结果
以下命令实现使用YOLOv8 Nano模型对视频进行检测。
yolo task=detect mode=predict model=yolov8n.pt source='input/video_3.mp4' show=True
该推断的运行硬件环境是在笔记本电脑GTX 1060 GPU上以几乎105 FPS的速度运行的，最终我们得到以下输出结果：
使用YOLOv8 Nano模型进行检测推断
需要说明的是，YOLOv8 Nano模型在几帧内把猫和狗进行了混合。让我们使用YOLOv8 Extra Large模型对同一视频进行检测并检查输出。
yolo task=detect mode=predict model=yolov8x.pt source='input/video_3.mp4' show=True
注意：上面的YOLOv8 Extra Large模型在GTX 1060 GPU上以平均17 FPS的速度运行。
使用YOLOv8超大模型进行检测推断
尽管这一次的误分类略有减少，但模型仍然在一些帧中进行了错误的检测。
实例分割的推理结果
使用YOLOv8实例分割模型运行推理同样是很简单的。我们只需要在上面的命令中更改一下任务和模型名称即可，结果如下：
yolo task=segment mode=predict model=yolov8x-seg.pt source='input/video_3.mp4' show=True
因为实例分割与对象检测是结合在一起的，所以这一次运行时的平均FPS约为13。
使用YOLOv8超大模型进行分割推断
分割图在输出中看起来很干净。即使当猫在最后几帧隐藏在块下时，模型也能够检测并分割它。
图像分类的推理结果
最后，由于YOLOv8已经提供了预训练的分类模型，让我们使用yolov8x-cls模型对同一视频进行分类推断。这是截止目前存储库提供的最大分类模型。
yolo task=classify mode=predict model=yolov8x-cls.pt source='input/video_3.mp4' show=True
使用YOLOv8超大模型进行分类推断
默认情况下，视频用模型预测的前5个类进行标注。在没有任何后期处理的情况下，标注部分直接使用了ImageNet类名。
YOLOv8 vs YOLOv7 vs YOLOv6 vs YOLOv5
可以看出，YOLOv8模型似乎比之前的YOLO模型表现更好；这不仅是相比于YOLOv5模型来说的，YOLOv8也优越于YOLOv7和YOLOv6模型。
YOLOv8与其他YOLO模型性能相比。
由上图可以看出，与以640图像分辨率训练的其他YOLO模型相比，所有YOLOv8模型在参数数量相似的情况下具有更好的吞吐量。
接下来，让我们更为详细了解一下最新的YOLOv8模型与Ultralytics公司的YOLOv5模型的性能差异。下面几个表格显示了YOLOv8和YOLOv5之间的综合比较情况。
总体比较
YOLOv8和YOLOv5之间的性能比较
YOLOv8模型与YOLOv5模型性能比较表
对象检测比较
YOLOv8模型与YOLOv5模型对象检测性能比较情况见下表：
YOLOv8模型与YOLOv5模型对象检测性能比较
实例分段比较
YOLOv8模型与YOLOv5模型实例分段性能比较情况见下表：
YOLOv8与YOLOv5实例分割模型性能比较
图像分类比较
YOLOv8与YOLOv5图像分类模型情况
整体来看，其实也很明显，最新的YOLOv8模型比YOLOv5要好得多，除了一种分类模型外。
YOLOv8目标检测模型的发展
下面给出的这张图像显示了YOLO目标检测模型的时间线以及YOLOv8的演变情况。
YOLOv8目标检测模型的演变情况
YOLOv1模型
YOLO对象检测的第一个版本，即YOLOv1，由Joseph Redmon等人于2015年发布。这是第一个产生SSD和所有后续YOLO模型的单级对象检测（SSD）模型。
YOLO 9000（第2版）
YOLOv2，又称YOLO 9000，由YOLOv1的原作者约瑟夫·雷蒙提出。它改进了原来的YOLOv1模型——引入了锚盒（Anchor Box）的概念和更好的主干（即Darknet-19）。
YOLOv3
2018年，约瑟夫·雷蒙和阿里·法哈迪公布了YOLOv3模型。其实，这不是一个
架构上的飞跃，算是一份技术报告，但YOLO家族还是有了很大的进步。YOLOv3模型使用Darknet-53主干、残差连接，并使用更好的预训练和图像增强技术来实现改进。
Ultralytics YOLO目标检测模型
YOLOv3之前的所有YOLO对象检测模型都使用C
编程语言编写，并使用Darknet框架。但是，新手们发现很难遍历代码库并对模型进行微调。
于是，大约与YOLOv3模型发布的同时，Ultralytics发布了第一个使用PyTorch框架实现的YOLO（YOLOv3）。这个模型更为容易访问，也更容易用于转移学习领域。
发布YOLOv3模型后不久，约瑟夫·雷蒙离开了计算机视觉（Computer Vision）研究界。YOLOv4（Alexey等人）是最后一个用Darknet编写的YOLO模型。之后，又相继出现了其他许多的YOLO物体检测模型，例如缩放版YOLOv4、YOLOX、PP-YOLO、YOLOv6和YOLOv7代表了其中较为突出的一些模型。
在YOLOv3之后，Ultralytics还发布了YOLOv5，它比所有其他YOLO模型更好、更快、更易于使用。
截至目前（2023年1月），Ultralytics在Ultralytics存储库下发布了YOLOv8，这可能是迄今为止最好的YOLO模型。
结论
在本文中，我们探讨了YOLO模型的最新版本，即YOLOv8。其中，我们具体介绍了这款新模型的性能，以及软件包附带的命令行界面用法。除此之外，我们还对少数几个视频数据进行了推断展示。
在以后的文章中，我们还将在自定义数据集上对YOLOv8模型进行微调。
最后，如果您自己也在进行任何有关YOLOv8模型的实验，请在评论部分告诉我
译者介绍
朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。
原文标题：
Ultralytics YOLOv8: State-of-the-Art YOLO Models
，作者：Sovit Rath 声明：本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,不构成投资建议。投资者据此操作，风险自担。如有任何标注错误或版权侵犯请与我们联系，我们将及时更正、删除。
京公网安备 11010802035086号