You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 
 

12 KiB

comments description keywords
true Documentation officielle pour YOLOv8 par Ultralytics. Apprenez comment entraîner, valider, prédire et exporter des modèles dans différents formats. Incluant des statistiques de performances détaillées. YOLOv8, Ultralytics, détection d'objets, modèles pré-entraînés, entraînement, validation, prédiction, exportation de modèles, COCO, ImageNet, PyTorch, ONNX, CoreML

Détection d'Objets

Exemples de détection d'objets

La détection d'objets est une tâche qui implique l'identification de l'emplacement et de la classe des objets dans une image ou un flux vidéo.

La sortie d'un détecteur d'objets est un ensemble de boîtes englobantes qui entourent les objets de l'image, accompagnées de libellés de classe et de scores de confiance pour chaque boîte. La détection d'objets est un bon choix lorsque vous avez besoin d'identifier des objets d'intérêt dans une scène, mais que vous n'avez pas besoin de connaître exactement où se trouve l'objet ou sa forme exacte.



Regardez : Détection d'Objets avec le Modèle Pré-entraîné Ultralytics YOLOv8.

!!! tip "Conseil"

Les modèles Detect YOLOv8 sont les modèles YOLOv8 par défaut, c.-à-d. `yolov8n.pt` et sont pré-entraînés sur le jeu de données [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).

Modèles

Les modèles pré-entraînés Detect YOLOv8 sont présentés ici. Les modèles Detect, Segment, et Pose sont pré-entraînés sur le jeu de données COCO, tandis que les modèles Classify sont pré-entraînés sur le jeu de données ImageNet.

Les modèles se téléchargent automatiquement à partir de la dernière version d'Ultralytics lors de la première utilisation.

Modèle Taille
(pixels)
mAPval
50-95
Vitesse
CPU ONNX
(ms)
Vitesse
A100 TensorRT
(ms)
Paramètres
(M)
FLOPs
(B)
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
  • Les valeurs de mAPval sont pour un seul modèle à une seule échelle sur le jeu de données COCO val2017.
    Reproductible avec yolo val detect data=coco.yaml device=0
  • La Vitesse est moyennée sur les images COCO val en utilisant une instance Amazon EC2 P4d.
    Reproductible avec yolo val detect data=coco128.yaml batch=1 device=0|cpu

Entraînement

Entraînez le modèle YOLOv8n sur le jeu de données COCO128 pendant 100 époques à la taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page Configuration.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n.yaml')  # construire un nouveau modèle à partir de YAML
    model = YOLO('yolov8n.pt')  # charger un modèle pré-entraîné (recommandé pour l'entraînement)
    model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # construire à partir de YAML et transférer les poids

    # Entraîner le modèle
    results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # Construire un nouveau modèle à partir de YAML et commencer l'entraînement à partir de zéro
    yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

    # Commencer l'entraînement à partir d'un modèle *.pt pré-entraîné
    yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

    # Construire un nouveau modèle à partir de YAML, transférer les poids pré-entraînés et commencer l'entraînement
    yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
    ```

Format des données

Le format des jeux de données de détection YOLO est détaillé dans le Guide des Jeux de Données. Pour convertir votre jeu de données existant depuis d'autres formats (comme COCO, etc.) vers le format YOLO, veuillez utiliser l'outil JSON2YOLO par Ultralytics.

Validation

Validez la précision du modèle YOLOv8n entraîné sur le jeu de données COCO128. Aucun argument n'est nécessaire puisque le modèle conserve ses données d'entraînement et arguments en tant qu'attributs du modèle.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n.pt')  # charger un modèle officiel
    model = YOLO('chemin/vers/best.pt')  # charger un modèle personnalisé

    # Valider le modèle
    metrics = model.val()  # pas d'arguments nécessaires, jeu de données et paramètres enregistrés
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # une liste contenant map50-95 de chaque catégorie
    ```
=== "CLI"

    ```bash
    yolo detect val model=yolov8n.pt  # valider le modèle officiel
    yolo detect val model=chemin/vers/best.pt  # valider le modèle personnalisé
    ```

Prédiction

Utilisez un modèle YOLOv8n entraîné pour exécuter des prédictions sur des images.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n.pt')  # charger un modèle officiel
    model = YOLO('chemin/vers/best.pt')  # charger un modèle personnalisé

    # Prédire avec le modèle
    results = model('https://ultralytics.com/images/bus.jpg')  # prédire sur une image
    ```
=== "CLI"

    ```bash
    yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # prédire avec le modèle officiel
    yolo detect predict model=chemin/vers/best.pt source='https://ultralytics.com/images/bus.jpg'  # prédire avec le modèle personnalisé
    ```

Consultez les détails complets du mode predict sur la page Prédire.

Exportation

Exportez un modèle YOLOv8n dans un format différent tel que ONNX, CoreML, etc.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n.pt')  # charger un modèle officiel
    model = YOLO('chemin/vers/best.pt')  # charger un modèle entraîné personnalisé

    # Exporter le modèle
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n.pt format=onnx  # exporter le modèle officiel
    yolo export model=chemin/vers/best.pt format=onnx  # exporter le modèle entraîné personnalisé
    ```

Les formats d'exportation YOLOv8 disponibles sont présentés dans le tableau ci-dessous. Vous pouvez directement prédire ou valider sur des modèles exportés, c'est-à-dire yolo predict model=yolov8n.onnx. Des exemples d'utilisation sont présentés pour votre modèle après l'exportation complète.

Format Argument format Modèle Métadonnées Arguments
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
Modèle TF Enregistré saved_model yolov8n_saved_model/ imgsz, keras
GraphDef TF pb yolov8n.pb imgsz
TF Lite tflite yolov8n.tflite imgsz, half, int8
TPU Edge TF 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

Consultez tous les détails export sur la page Exporter.