背景介绍
YOLOv8是来自Ultralytics的最新的基于YOLO的对象检测模型系列,提供最先进的性能。
利用以前的 YOLO 版本,YOLOv8模型更快、更准确,同时为训练模型提供统一框架,以执行:
物体检测
实例分割
图像分类
下面是使用YOLOv8做目标检测和实例分割的演示视频:
YOLOv8的新特性与可用模型
Ultralytics为YOLO模型发布了一个全新的存储库。它被构建为 用于训练对象检测、实例分割和图像分类模型的统一框架。
以下是有关新版本的一些主要功能:
更快更准确。
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。
新骨干网络。
新的无锚头。
新的损失函数。
YOLOv8 还高效灵活地支持多种导出格式,并且该模型可以在 CPU 和 GPU 上运行。
YOLOv8 模型的每个类别中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) 是其中最准确但最慢的。
YOLOv8 捆绑了以下预训练模型:
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 ImageNet 数据集上预训练的图像分类模型。
如下是使用YOLOv8x做目标检测和实例分割模型的输出:
如何使用YOLOv8
要充分发挥YOLOv8的潜力,需要从存储库和ultralytics包中安装要求。要安装要求,我们首先需要克隆存储库。
在最新版本中,Ultralytics YOLOv8提供了完整的命令行界面 (CLI) API 和 Python SDK,用于执行训练、验证和推理。要使用yoloCLI,我们需要安装ultralytics包。
pip install ultralytics【1】如何使用命令行界面 (CLI) 使用 YOLOv8? 安装必要的包后,我们可以使用命令访问 YOLOv8 CLI yolo。以下是使用yoloCLI 运行对象检测推理的示例。
yolo task=detect mode=predict model=yolov8n.pt source="image.jpg"该task标志可以接受三个参数:detect、classify和segment。同样,模式可以是train、val或之一predict。我们也可以像export导出经过训练的模型时一样传递模式。 【2】如何通过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。
from ultralytics import YOLO model = YOLO("yolov8n.pt") # load a pretrained YOLOv8n model model.train(data="coco128.yaml") # train the model model.val() # evaluate model performance on the validation set model.predict(source="https://ultralytics.com/images/bus.jpg") # predict on an image model.export(format="onnx") # export the model to ONNX format
例如,上述代码首先会在COCO128数据集上训练YOLOv8 Nano模型,在验证集上进行评估,并对样本图像进行预测。
让我们使用yoloCLI 并使用对象检测、实例分割和图像分类模型进行推理。
【3】目标检测的推理结果 以下命令使用YOLOv8 Nano模型对视频运行检测。
yolotask=detectmode=predictmodel=yolov8n.ptsource='input/video_3.mp4'show=True推理在笔记本电脑GTX1060 GPU上以接近105 FPS的速度运行。我们得到以下输出:
YOLOv8 Nano 模型在几帧中将猫混淆为狗。让我们使用 YOLOv8 Extra Large 模型对同一视频运行检测并检查输出:
yolotask=detectmode=predictmodel=yolov8x.ptsource='input/video_3.mp4'show=TrueExtra Large模型在GTX1060 GPU上的平均运行速度为 17 FPS。
【4】实例分割的推理结果 使用YOLOv8 实例分割模型运行推理同样简单。我们只需要更改上面命令中的task和model名称。
yolotask=segmentmode=predictmodel=yolov8x-seg.ptsource='input/video_3.mp4'show=True因为实例分割与对象检测相结合,所以这次的平均 FPS 约为 13。
分割图在输出中看起来非常干净。即使猫在最后几帧中躲在方块下,模型也能够检测并分割它。
【5】图像分类推理结果
最后,由于YOLOv8已经提供了预训练的分类模型,让我们使用该yolov8x-cls模型对同一视频进行分类推理。这是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
默认情况下,视频使用模型预测的前5个类进行注释。在没有任何后处理的情况下,注释直接匹配ImageNet类名。
审核编辑:刘清
文章出处:【微信公众号:新机器视觉】欢迎添加关注!文章转载请注明出处。
-
python
+关注
关注
56文章
4793浏览量
84632 -
CLI
+关注
关注
1文章
79浏览量
8541
原文标题:使用YOLOv8做目标检测、实例分割和图像分类
文章出处:【微信号:vision263com,微信公众号:新机器视觉】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论