yolov8_test/docs/ru/tasks/detect.md

comments	description	keywords
true	Официальная документация YOLOv8 от Ultralytics. Узнайте, как проводить обучение, проверку, предсказание и экспорт моделей в различных форматах. Включая подробные статистические данные о производительности.	YOLOv8, Ultralytics, обнаружение объектов, предобученные модели, обучение, валидация, предсказание, экспорт моделей, COCO, ImageNet, PyTorch, ONNX, CoreML

Обнаружение 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

Здесь показаны предобученные модели YOLOv8 Detect. Модели Detect, Segment и Pose предобучены на датасете COCO, в то время как модели Classify предобучены на датасете ImageNet.

Модели автоматически загружаются с последнего релиза Ultralytics release при первом использовании.

Модель	размер (пиксели)	mAPval 50-95	Скорость CPU ONNX (мс)	Скорость A100 TensorRT (мс)	параметры (М)	FLOPs (Б)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

• mAP^val значения для одиночной модели одиночного масштаба на датасете COCO val2017.
  Для воспроизведения используйте yolo val detect data=coco.yaml device=0
• Скорость усреднена по изображениям COCO val на экземпляре Amazon EC2 P4d.
  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.

!!! Example "Пример"

=== "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. Чтобы конвертировать ваш существующий датасет из других форматов (например, COCO и т.д.) в формат YOLO, пожалуйста, используйте инструмент 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 "Пример"

=== "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 "Пример"

=== "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.

Экспорт

Экспортируйте модель YOLOv8n в другой формат, такой как ONNX, CoreML и др.

!!! Example "Пример"

=== "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	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n.pb	❌	imgsz
TF Lite	tflite	yolov8n.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n_ncnn_model/	✅	imgsz, half

Полные детали режима export смотрите на странице Экспорт.