【目标检测】如何使用Yolov8
如何使用Yolov8
- 一、前言
- 二、用法
- 2.1 安装
- 2.2 使用方法
- 2.3 模型
- 2.3.1 目标检测
- 2.3.2 实例分割
- 2.3.3 分类
一、前言
一种易于使用的新的对象检测模型。
由 Ultralytics 开发的 Ultralytics YOLOv8 是一种尖端的、最先进的 (SOTA) 模型：
https://github.com/ultralytics/ultralytics
上面是源码的分享地址。
二、用法
2.1 安装
pip 安装包含所有 requirements.txt 的 ultralytics 包，环境要求 3.10>=Python>=3.7，且 PyTorch>=1.7。
# Ultralytics requirements
# Usage: pip install -r requirements.txt# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.6.0
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0# Logging -------------------------------------
tensorboard>=2.4.1
# clearml
# comet# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0# Export --------------------------------------
# coremltools>=6.0 # CoreML export
# onnx>=1.12.0 # ONNX export
# onnx-simplifier>=0.4.1 # ONNX simplifier
# nvidia-pyindex # TensorRT export
# nvidia-tensorrt # TensorRT export
# scikit-learn==0.19.2 # CoreML quantization
# tensorflow>=2.4.1 # TF exports (-cpu, -aarch64, -macos)
# tensorflowjs>=3.9.0 # TF.js export
# openvino-dev>=2022.3 # OpenVINO export# Extras --------------------------------------
ipython # interactive notebook
psutil # system utilization
thop>=0.1.1 # FLOPs computation
wheel>=0.38.0 # Snyk vulnerability fix
# albumentations>=1.0.3
# pycocotools>=2.0.6 # COCO mAP
# roboflow
上述已经满足的情况下，选择安装：
pip install ultralytics
2.2 使用方法
YOLOv8 可以直接在命令行界面（CLI）中使用 yolo 命令运行：
yolo predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"
yolo可以用于各种任务和模式，并接受额外的参数，例如 imgsz=640。
参见 YOLOv8 文档中可用yolo参数的完整列表。
yolo task=detect mode=train model=yolov8n.pt args...classify predict yolov8n-cls.yaml args...segment val yolov8n-seg.yaml args...export yolov8n.pt format=onnx args...
YOLOv8 也可以在 Python 环境中直接使用，并接受与上面 CLI 例子中相同的参数：
from ultralytics import YOLO# 加载模型
model = YOLO("yolov8n.yaml") # 从头开始构建新模型
model = YOLO("yolov8n.pt") # 加载预训练模型（推荐用于训练）# Use the model
results = model.train(data="coco128.yaml", epochs=3) # 训练模型
results = model.val() # 在验证集上评估模型性能
results = model("https://ultralytics.com/images/bus.jpg") # 预测图像
success = model.export(format="onnx") # 将模型导出为 ONNX 格式
模型 会从 Ultralytics 发布页 自动下载。
2.3 模型
所有 YOLOv8 的预训练模型都可以在这里找到。目标检测和分割模型是在 COCO 数据集上预训练的，而分类模型是在 ImageNet 数据集上预训练的。
第一次使用时，模型 会从 Ultralytics 发布页 自动下载。
2.3.1 目标检测
2.3.2 实例分割
2.3.3 分类
