--- comments: true description: Официальная документация YOLOv8 от Ultralytics. Узнайте, как проводить обучение, проверку, предсказание и экспорт моделей в различных форматах. Включая подробные статистические данные о производительности. keywords: YOLOv8, Ultralytics, обнаружение объектов, предобученные модели, обучение, валидация, предсказание, экспорт моделей, COCO, ImageNet, PyTorch, ONNX, CoreML --- # Обнаружение объектов Примеры обнаружения объектов Обнаружение объектов – это задача, которая включает идентификацию местоположения и класса объектов на изображении или видео. Результат работы детектора объектов – это набор ограничивающих рамок, которые заключают в себе объекты на изображении, вместе с метками классов и уровнями достоверности для каждой рамки. Обнаружение объектов является хорошим выбором, когда необходимо определить объекты интереса в сцене, но не нужно точно знать, где находится объект или его точную форму.



Смотрите: Обнаружение объектов с предобученной моделью Ultralytics YOLOv8.

!!! tip "Совет" YOLOv8 Detect модели являются стандартными моделями YOLOv8, то есть `yolov8n.pt`, и предобучены на [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml). ## [Модели](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8) Здесь показаны предобученные модели YOLOv8 Detect. Модели Detect, Segment и Pose предобучены на датасете [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml), в то время как модели Classify предобучены на датасете [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml). [Модели](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models) автоматически загружаются с последнего релиза Ultralytics [release](https://github.com/ultralytics/assets/releases) при первом использовании. | Модель | размер
(пиксели) | mAPval
50-95 | Скорость
CPU ONNX
(мс) | Скорость
A100 TensorRT
(мс) | параметры
(М) | FLOPs
(Б) | |--------------------------------------------------------------------------------------|--------------------------|----------------------|-----------------------------------|----------------------------------------|-----------------------|-------------------| | [YOLOv8n](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt) | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 | | [YOLOv8s](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt) | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 | | [YOLOv8m](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt) | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 | | [YOLOv8l](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt) | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 | | [YOLOv8x](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt) | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 | - **mAPval** значения для одиночной модели одиночного масштаба на датасете [COCO val2017](http://cocodataset.org).
Для воспроизведения используйте `yolo val detect data=coco.yaml device=0` - **Скорость** усреднена по изображениям COCO val на экземпляре [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/).
Для воспроизведения используйте `yolo val detect data=coco128.yaml batch=1 device=0|cpu` ## Обучение Обучите модель YOLOv8n на датасете COCO128 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](../../usage/cfg.md). !!! example "" === "Python" ```python from ultralytics import YOLO # Загрузите модель model = YOLO('yolov8n.yaml') # создать новую модель из YAML model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) model = YOLO('yolov8n.yaml').load('yolov8n.pt') # создать из YAML и перенести веса # Обучите модель results = model.train(data='coco128.yaml', epochs=100, imgsz=640) ``` === "CLI" ```bash # Создать новую модель из YAML и начать обучение с нуля yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640 # Начать обучение с предобученной модели *.pt yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 # Создать новую модель из YAML, перенести в нее предобученные веса и начать обучение yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640 ``` ### Формат датасета Формат датасета для обнаружения YOLO можно найти более подробно в [Руководстве по датасетам](../../datasets/detect/index.md). Чтобы конвертировать ваш существующий датасет из других форматов (например, COCO и т.д.) в формат YOLO, пожалуйста, используйте инструмент [JSON2YOLO](https://github.com/ultralytics/JSON2YOLO) от Ultralytics. ## Валидация Проверьте точность обученной модели YOLOv8n на датасете COCO128. Необходимо передать аргументы, поскольку `model` сохраняет свои `data` и аргументы обучения как атрибуты модели. !!! example "" === "Python" ```python from ultralytics import YOLO # Загрузите модель model = YOLO('yolov8n.pt') # загрузить официальную модель model = YOLO('path/to/best.pt') # загрузить собственную модель # Проверьте модель metrics = model.val() # аргументы не нужны, набор данных и настройки запоминаются metrics.box.map # map50-95 metrics.box.map50 # map50 metrics.box.map75 # map75 metrics.box.maps # список содержит map50-95 для каждой категории ``` === "CLI" ```bash yolo detect val model=yolov8n.pt # val официальная модель yolo detect val model=path/to/best.pt # val собственная модель ``` ## Предсказание Используйте обученную модель YOLOv8n для выполнения предсказаний на изображениях. !!! example "" === "Python" ```python from ultralytics import YOLO # Загрузите модель model = YOLO('yolov8n.pt') # загрузить официальную модель model = YOLO('path/to/best.pt') # загрузить собственную модель # Сделайте предсказание с помощью модели results = model('https://ultralytics.com/images/bus.jpg') # сделать предсказание на изображении ``` === "CLI" ```bash yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' # предсказание с официальной моделью yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg' # предсказание с собственной моделью ``` Полные детали режима `predict` смотрите на странице [Предсказание](https://docs.ultralytics.com/modes/predict/). ## Экспорт Экспортируйте модель YOLOv8n в другой формат, такой как ONNX, CoreML и др. !!! example "" === "Python" ```python from ultralytics import YOLO # Загрузите модель model = YOLO('yolov8n.pt') # загрузить официальную модель model = YOLO('path/to/best.pt') # загрузить собственную модель после обучения # Экспортируйте модель model.export(format='onnx') ``` === "CLI" ```bash yolo export model=yolov8n.pt format=onnx # экспорт официальной модели yolo export model=path/to/best.pt format=onnx # экспорт собственной модели после обучения ``` Доступные форматы экспорта YOLOv8 приведены в таблице ниже. Вы можете выполнять предсказания или проверку непосредственно на экспортированных моделях, например `yolo predict model=yolov8n.onnx`. Примеры использования для вашей модели показаны после завершения экспорта. | Формат | Аргумент `format` | Модель | Метаданные | Аргументы | |--------------------------------------------------------------------|-------------------|---------------------------|------------|-----------------------------------------------------| | [PyTorch](https://pytorch.org/) | - | `yolov8n.pt` | ✅ | - | | [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n.torchscript` | ✅ | `imgsz`, `optimize` | | [ONNX](https://onnx.ai/) | `onnx` | `yolov8n.onnx` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `opset` | | [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n_openvino_model/` | ✅ | `imgsz`, `half` | | [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n.engine` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `workspace` | | [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n.mlpackage` | ✅ | `imgsz`, `half`, `int8`, `nms` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n_saved_model/` | ✅ | `imgsz`, `keras` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n.pb` | ❌ | `imgsz` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n.tflite` | ✅ | `imgsz`, `half`, `int8` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n_edgetpu.tflite` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n_web_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n_paddle_model/` | ✅ | `imgsz` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n_ncnn_model/` | ✅ | `imgsz`, `half` | Полные детали режима `export` смотрите на странице [Экспорт](https://docs.ultralytics.com/modes/export/).