• Что такое YOLOv8?

• Что нового в YOLOv8

• Модели, доступные в YOLOv8

• Как использовать YOLOv8?

• YOLOv8 vs YOLOv5

• Заключение

Что такое YOLOv8?

YOLOv8 - это новейшее семейство моделей обнаружения объектов на базе YOLO от Ultralytics, обеспечивающих самые современные характеристики.

По сравнению с предыдущими версиями YOLO, модель YOLOv8 работает быстрее и точнее, обеспечивая при этом единую структуру для обучения моделей для выполнения

• Обнаружение объектов,

• Сегментация экземпляров,

• Классификации изображений.

На момент написания этой статьи в репозиторий Ultralytics YOLOv8 еще предстоит добавить множество функций. Это включает в себя полный набор функций экспорта для обученных моделей. Кроме того, Ultralytics выпустит статью на Arxiv, в которой сравнивается YOLOv8 с другими современными моделями.

Что нового в YOLOv8

Ultralytics выпустили совершенно новый репозиторий для моделей YOLO. Он построен как единая платформа для обучения моделям обнаружения объектов, сегментации экземпляров и классификации изображений.

Вот некоторые ключевые особенности новой версии:

• Удобный для пользователя API (командная строка + Python).

• Быстрее и точнее.

• Поддерживает

  • Обнаружение объектов,

  • Сегментация экземпляров,

  • Классификация изображений.

• Расширяемый для всех предыдущих версий.

• Новая Backbone сеть.

• Новая Anchor-Free head.

• Новая функция потерь.

YOLOv8 также обладает высокой эффективностью и гибкостью, поддерживает множество форматов экспорта, и модель может работать на CPU и GPU.

Модели, доступные в YOLOv8

В каждой категории моделей YOLOv8 есть пять моделей для обнаружения, сегментации и классификации. YOLOv8 Nano - самый быстрый и маленький, в то время как YOLOv8 Extra Large (YOLOv8x) - самый точный, но самый медленный среди них.

YOLOv8 поставляется в комплекте со следующими предварительно подготовленными моделями:

• Контрольные точки обнаружения объектов обучены на основе набора данных COCO detection с разрешением изображения 640.

• Контрольные точки сегментации экземпляра, обученные на наборе данных сегментации COCO с разрешением изображения 640.

• Модели классификации изображений предварительно обучены на базе данных ImageNet с разрешением изображения 224.

Давайте посмотрим на результат, используя модели обнаружения и сегментации экземпляров YOLOv8x.

Как использовать YOLOv8?

Для использования всего потенциала YOLOv8 требуется установка требований из репозитория, а также ultralyticsпакета.

Чтобы установить требования, нам нужно сначала клонировать репозиторий.

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

Затем установите требуемые библиотеки.

pip install -r requirements.txt

В последней версии Ultralytics YOLOv8 предоставляет как полный интерфейс командной строки (CLI) API, так и Python SDK для выполнения обучения, проверки и вывода.

Чтобы использовать yoloCLI, нам необходимо установить ultralyticsпакет.

pip install ultralytics

Как использовать YOLOv8 с помощью интерфейса командной строки (CLI)?

После установки необходимых пакетов мы можем получить доступ к командной строке YOLOv8 с помощью yoloкоманды. Ниже приведен пример выполнения вывода обнаружения объекта с использованием yolo командной строки.

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

taskФлаг может принимать три аргумента: detect, classify, и segment. Аналогично, режим может быть любым из train, val, или predict. Мы также можем передать режим as exportпри экспорте обученной модели.

Как использовать YOLOv8 с помощью Python API?

Мы также можем создать простой файл Python, импортировать модуль YOLO и выполнить задачу по нашему выбору.

from ultralytics import YOLO
 
model = YOLO("yolov8n.pt")  # загрузите предварительно обученную модель YOLOv8n
 
model.train(data="coco128.yaml")  # обучите модель
model.val()  # оцените производительность модели на наборе проверки
model.predict(source="https://ultralytics.com/images/bus.jpg")  # предсказать по изображению
model.export(format="onnx")  # экспортируйте модель в формат ONNX

Например, приведенный выше код сначала обучит модель YOLOv8 Nano на основе набора данных COCO128, оценит ее в наборе проверки и выполнит прогнозирование на образце изображения.

Давайте воспользуемся yoloCLI и выполним вывод, используя модели обнаружения объектов, сегментации экземпляров и классификации изображений.

Вывод результатов для обнаружения объектов

Следующая команда запускает обнаружение видео с использованием модели YOLOv8 Nano.

yolo task=detect mode=predict model=yolov8n.pt source='input/video_3.mp4' show=True

Вывод выполняется со скоростью почти 105 кадров в секунду на графическом процессоре ноутбука GTX 1060. И мы получаем следующий результат.

^{Клип 1. Вывод обнаружения с использованием наномодели YOLOv8.}

Модель YOLOv8 Nano на нескольких кадрах путает кошек с собаками. Давайте запустим обнаружение на том же видео, используя модель YOLOv8 Extra Large, и проверим результаты.

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

Сверхбольшая модель работает в среднем со скоростью 17 кадров в секунду на графическом процессоре GTX 1060.

^{Клип 2. Вывод обнаружения с использованием сверхбольшой модели YOLOv8.}

Хотя на этот раз ошибочных классификаций немного меньше, тем не менее модель ошибочно определяет скамейку в нескольких кадрах.

Вывод результатов, например, для сегментации

Выполнить вывод с использованием модели сегментации экземпляра YOLOv8 так же просто. Нам просто нужно изменить taskи modelимя в приведенной выше команде.

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

Поскольку сегментация экземпляров сочетается с обнаружением объектов, на этот раз средний FPS составил около 13.

^{Клип 3. Вывод сегментации с использованием сверхбольшой модели YOLOv8.}

Карты сегментации на выходе выглядят довольно чистыми. Даже когда кошка прячется под блоком на последних нескольких кадрах, модель способна обнаружить и сегментировать ее.

Результаты вывода для классификации изображений

Наконец, поскольку YOLOv8 уже предоставляет предварительно подготовленные модели классификации, давайте запустим классификационный вывод на том же видео, используя yolov8x-clsмодель. Это самая большая модель классификации, которую предоставляет репозиторий.

^{Клип 4. Вывод классификации с использованием сверхбольшой модели YOLOv8.}

По умолчанию видео снабжено комментариями к 5 лучшим классам, которые предсказывает модель. Без какой-либо последующей обработки аннотации напрямую соответствуют именам классов ImageNet.

YOLOv8 vs YOLOv5

В следующих таблицах показано всестороннее сравнение между YOLOv8 и YOLOv5.

Общее сравнение

Сравнение обнаружения объектов

Сравнение сегментации экземпляров

Сравнение классификации изображений

Понятно, что последние модели YOLOv8 намного лучше по сравнению с YOLOv5, за исключением одной из классификационных моделей.

Заключение

В этой статье мы рассмотрели последнюю версию моделей YOLO, то есть YOLOv8. Мы рассмотрели новые модели, их производительность, а также интерфейс командной строки, который поставляется вместе с пакетом. Наряду с этим, мы также сделали выводы на основе видеозаписей.