yolov8_test/README.zh-CN.md

English | 简体中文

Ultralytics YOLOv8 是由 Ultralytics 开发的一个前沿的 SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。YOLOv8 基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。

如果要申请企业许可证，请填写 Ultralytics 许可。

文档

有关训练、测试和部署的完整文档见YOLOv8 Docs。请参阅下面的快速入门示例。

安装

Pip 安装包含所有 requirements.txt 的 ultralytics 包，环境要求 Python>=3.7.0，且 PyTorch>=1.7。

pip install ultralytics

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 task=detect mode=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 = YOLO("yolov8n.pt").export(format="onnx")  # 将模型导出为 ONNX 格式

模型 会从 Ultralytics 发布页 自动下载。

已知问题 / 待办事项

我们仍在努力完善 YOLOv8 的几个部分！我们的目标是尽快完成这些工作，使 YOLOv8 的功能设置达到YOLOv5 的水平，包括对所有相同格式的导出和推理。我们还在写一篇 YOLOv8 的论文，一旦完成，我们将提交给 arxiv.org。

• TensorFlow 导出
• DDP 恢复训练
• arxiv.org 论文

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。

目标检测

模型	尺寸 （像素）	mAPval 50-95	推理速度 CPU (ms)	推理速度 T4 GPU (ms)	参数量 (M)	FLOPs (B)
YOLOv8n	640	37.3	-	-	3.2	8.7
YOLOv8s	640	44.9	-	-	11.2	28.6
YOLOv8m	640	50.2	-	-	25.9	78.9
YOLOv8l	640	52.9	-	-	43.7	165.2
YOLOv8x	640	53.9	-	-	68.2	257.8

• mAP^val 结果都在 COCO val2017 数据集上，使用单模型单尺度测试得到。
  复现命令 yolo mode=val task=detect data=coco.yaml device=0
• 推理速度使用 COCO 验证集图片推理时间进行平均得到，测试环境使用 Amazon EC2 P4d 实例。
  复现命令 yolo mode=val task=detect data=coco128.yaml batch=1 device=0/cpu

实例分割

模型	尺寸 （像素）	mAPbox 50-95	mAPmask 50-95	推理速度 CPU (ms)	推理速度 T4 GPU (ms)	参数量 (M)	FLOPs (B)
YOLOv8n	640	36.7	30.5	-	-	3.4	12.6
YOLOv8s	640	44.6	36.8	-	-	11.8	42.6
YOLOv8m	640	49.9	40.8	-	-	27.3	110.2
YOLOv8l	640	52.3	42.6	-	-	46.0	220.5
YOLOv8x	640	53.4	43.4	-	-	71.8	344.1

• mAP^val 结果都在 COCO val2017 数据集上，使用单模型单尺度测试得到。
  复现命令 yolo mode=val task=detect data=coco.yaml device=0
• 推理速度使用 COCO 验证集图片推理时间进行平均得到，测试环境使用 Amazon EC2 P4d 实例。
  复现命令 yolo mode=val task=detect data=coco128.yaml batch=1 device=0/cpu

分类

模型	尺寸 （像素）	acc top1	acc top5	推理速度 CPU (ms)	推理速度 T4 GPU (ms)	参数量 (M)	FLOPs (B) at 640
YOLOv8n	224	66.6	87.0	-	-	2.7	4.3
YOLOv8s	224	72.3	91.1	-	-	6.4	13.5
YOLOv8m	224	76.4	93.2	-	-	17.0	42.7
YOLOv8l	224	78.0	94.1	-	-	37.5	99.7
YOLOv8x	224	78.4	94.3	-	-	57.4	154.8

• mAP^val 都在 ImageNet 数据集上，使用单模型单尺度测试得到。
  复现命令 yolo mode=val task=detect data=coco.yaml device=0
• 推理速度使用 ImageNet 验证集图片推理时间进行平均得到，测试环境使用 Amazon EC2 P4d 实例。
  复现命令 yolo mode=val task=detect data=coco128.yaml batch=1 device=0/cpu

模块集成

Roboflow	ClearML ⭐ 新	Comet ⭐ 新	Neural Magic ⭐ 新
将您的自定义数据集进行标注并直接导出到 YOLOv8 以进行训练 Roboflow	自动跟踪、可视化甚至远程训练 YOLOv8 ClearML（开源！）	永远免费，Comet可让您保存 YOLOv8 模型、恢复训练以及交互式可视化和调试预测	使用 Neural Magic DeepSparse，运行 YOLOv8 推理的速度最高可提高6倍

Ultralytics HUB

Ultralytics HUB 是我们⭐ 新的无代码解决方案，用于可视化数据集，训练 YOLOv8🚀 模型，并以无缝体验方式部署到现实世界。现在开始免费! 还可以通过下载 Ultralytics App 在你的 iOS 或 Android 设备上运行 YOLOv8 模型!

贡献

我们喜欢您的意见或建议！我们希望尽可能简单和透明地为 YOLOv8 做出贡献。请看我们的 贡献指南 ，并填写 调查问卷 向我们发送您的体验反馈。感谢我们所有的贡献者！

License

• YOLOv8 在两种不同的 License 下可用：
  • GPL-3.0 License： 查看 License 文件的详细信息。
  • 企业License：在没有 GPL-3.0 开源要求的情况下为商业产品开发提供更大的灵活性。典型用例是将 Ultralytics 软件和 AI 模型嵌入到商业产品和应用程序中。在以下位置申请企业许可证 Ultralytics 许可 。

联系我们

若发现 YOLOv8 的 Bug 或有功能需求，请访问 GitHub 问题。如需专业支持，请 联系我们。