YOLOv8 Ultralytics:最先进的YOLO模型
YOLOv8是什么？
YOLOv8是Ultralytics最新推出的基于YOLO的物体检测模型系列，提供了最先进的性能。
利用以前的YOLO版本，YOLOv8型号更快、更精确同时为表演的训练模型提供统一的框架
物体检测，实例分段，以及图像分类。
在撰写本文时，许多特性还没有添加到Ultralytics YOLOv8存储库中。这包括已训练模型的完整导出功能集。此外，Ultralytics将在Arxiv上发布一篇论文，比较YOLOv8与其他最先进的视觉模型。
YOLOv8的新功能
超lytics发布了一个全新的YOLO模型库。它是作为一个用于训练对象检测、实例分割和图像分类模型的统一框架。
以下是新版本的一些关键特性:
用户友好的API(命令行+ Python)。
更快更准。
支持
物体检测，
实例分割，
图像分类。
可扩展到所有以前的版本。
新的骨干网络。
新的无锚头。
新损失函数。
YOLOv8还非常高效和灵活，支持多种导出格式，该模型可以在CPU和GPU上运行。
YOLOv8中提供的型号
在YOLOv8模型的每个类别中都有五个模型用于检测、分割和分类。YOLOv8 Nano是最快和最小的，而YOLOv8 Extra Large (YOLOv8x)是其中最精确但最慢的。
YOLOv8与以下预培训型号捆绑在一起:
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ImageNet数据集上预训练的图像分类模型。
YOLOv8怎么用？
要发挥YOLOv8的全部潜力，需要安装存储库中的需求以及超lytics包裹。
为了安装需求，我们首先需要克隆存储库。
git克隆https://github.com/ultralytics/ultralytics.git接下来，安装需求。
pip安装-r要求. txt在最新的版本中，Ultralytics YOLOv8提供了这两者，一个完整的命令行界面(CLI) API和Python SDK用于执行训练、验证和推理。
要使用你只活一次CLI，我们需要安装超lytics包裹。
pip安装ultralytics如何使用命令行界面(CLI)使用YOLOv8？
安装完必要的软件包后，我们可以使用你只活一次命令。下面是一个使用运行对象检测推理的示例你只活一次CLI。
yolo task=detect \模式=预测\model=yolov8n.pt \source="image.jpg "这工作标志可以接受三个参数:发现,分类，以及段。类似地，模式可以是以下任一种火车,英国压力单位，或者预测。我们也可以将模式传递为出口导出定型模型时。
下图显示了所有可能的你只活一次CLI标志和参数。
如何使用Python API使用YOLOv8？
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。
从 超lytics进口 YOLO模型= YOLO(" yolov8n.pt ")#加载预训练的YOLOv8n模型模型.训练(数据=" coco128.yaml ")#训练模型model.val()#评估验证集上的模型性能模型.预测(来源="https://ultralytics.com/images/bus.jpg")#在图像上预测模型.导出(格式=" onnx ")#将模型导出为ONNX格式例如，上面的代码将首先在COCO128数据集上训练YOLOv8 Nano模型，在验证集上对其进行评估，并在样本图像上执行预测。
让我们使用你只活一次CLI，并使用对象检测、实例分割和图像分类模型进行推理。
YOLOv8 vs YOLOv7 vs YOLOv6 vs YOLOv5
与之前的YOLO车型相比，YOLOv8的表现似乎要好得多。不仅是YOLOv5车型，YOLOv8也领先于YOLOv7和YOLOv6车型。
当与在640图像分辨率下训练的其他YOLO模型相比时，所有YOLOv8模型在相似数量的参数下具有更好的吞吐量。
