【目标检测】如何使用Yolov8

小咪咪 2023-09-27 14:27 142阅读 0赞

#### 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

![在这里插入图片描述][5a7cde69be014110a12518e7bdc1ffe6.png]

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 ####

![在这里插入图片描述][63bfa6433cd4418f83f05a194a825ef6.png]

#### 2.3.2 实例分割 ####

![在这里插入图片描述][5aadb0ee05724537a9660c367949d5d4.png]

#### 2.3.3 分类 ####

![在这里插入图片描述][8d8afc0b07e64c228d10b39c57d59a5b.png]

[5a7cde69be014110a12518e7bdc1ffe6.png]: https://img-blog.csdnimg.cn/5a7cde69be014110a12518e7bdc1ffe6.png
[63bfa6433cd4418f83f05a194a825ef6.png]: https://img-blog.csdnimg.cn/63bfa6433cd4418f83f05a194a825ef6.png
[5aadb0ee05724537a9660c367949d5d4.png]: https://img-blog.csdnimg.cn/5aadb0ee05724537a9660c367949d5d4.png
[8d8afc0b07e64c228d10b39c57d59a5b.png]: https://img-blog.csdnimg.cn/8d8afc0b07e64c228d10b39c57d59a5b.png