使用YOLOv8做目標(biāo)檢測、實例分割和圖像分類

    本文主要介紹YOLOv8及使用它做目標(biāo)檢測、實例分割和圖像分類演示，僅供參考。

背景介紹

    YOLOv8是來自Ultralytics的最新的基于YOLO的對象檢測模型系列，提供最先進(jìn)的性能。

    利用以前的 YOLO 版本，YOLOv8模型更快、更準(zhǔn)確，同時為訓(xùn)練模型提供統(tǒng)一框架，以執(zhí)行：

• 物體檢測
  

• 實例分割

• 圖像分類

    下面是使用YOLOv8做目標(biāo)檢測和實例分割的演示視頻：

YOLOv8的新特性與可用模型

    以下是有關(guān)新版本的一些主要功能：

• 用戶友好的 API（命令行 + Python）。
  

• 更快更準(zhǔn)確。

• 支持:

• 物體檢測

• 實例分割

• 圖像分類

• 可擴(kuò)展到所有以前的版本。

• 新骨干網(wǎng)絡(luò)。

• 新的無錨頭。

• 新的損失函數(shù)。

    YOLOv8 還高效靈活地支持多種導(dǎo)出格式，并且該模型可以在 CPU 和 GPU 上運行。

    YOLOv8 模型的每個類別中有五個模型用于檢測、分割和分類。YOLOv8 Nano 是最快和最小的，而 YOLOv8 Extra Large (YOLOv8x) 是其中最準(zhǔn)確但最慢的。

    YOLOv8 捆綁了以下預(yù)訓(xùn)練模型：

• 在圖像分辨率為 640 的 COCO 檢測數(shù)據(jù)集上訓(xùn)練的對象檢測檢查點。

• 在圖像分辨率為 640 的 COCO 分割數(shù)據(jù)集上訓(xùn)練的實例分割檢查點。

• 在圖像分辨率為 224 的 ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練的圖像分類模型。

如下是使用YOLOv8x做目標(biāo)檢測和實例分割模型的輸出：

如何使用YOLOv8

git clone https://github.com/ultralytics/ultralytics.git

pip install -r requirements.txt

    在最新版本中，Ultralytics YOLOv8提供了完整的命令行界面 (CLI) API 和 Python SDK，用于執(zhí)行訓(xùn)練、驗證和推理。要使用yoloCLI，我們需要安裝ultralytics包。

pip install ultralytics

yolo task=detect \mode=predict \model=yolov8n.pt \source="image.jpg"

from ultralytics import YOLO
model = YOLO("yolov8n.pt")  # load a pretrained YOLOv8n model
model.train(data="coco128.yaml")  # train the modelmodel.val()  # evaluate model performance on the validation setmodel.predict(source="https://ultralytics.com/images/bus.jpg")  # predict on an imagemodel.export(format="onnx")  # export the model to ONNX format    例如，上述代碼首先會在COCO128數(shù)據(jù)集上訓(xùn)練YOLOv8 Nano模型，在驗證集上進(jìn)行評估，并對樣本圖像進(jìn)行預(yù)測。

    讓我們使用yoloCLI 并使用對象檢測、實例分割和圖像分類模型進(jìn)行推理。

yolo task=detect mode=predict model=yolov8n.pt source='input/video_3.mp4' show=True    推理在筆記本電腦GTX1060 GPU上以接近105 FPS的速度運行。我們得到以下輸出：

yolo task=detect mode=predict model=yolov8x.pt source='input/video_3.mp4' show=True    Extra Large模型在GTX1060 GPU上的平均運行速度為 17 FPS。

yolo task=segment mode=predict model=yolov8x-seg.pt source='input/video_3.mp4' show=True    因為實例分割與對象檢測相結(jié)合，所以這次的平均 FPS 約為 13。

yolo task=classify mode=predict model=yolov8x-cls.pt source='input/video_3.mp4' show=True