👨‍💻 作者简介：程序员半夏 , 一名全栈程序员，擅长使用各种编程语言和框架，如JavaScript、React、Node.js、Java、Python、Django、MySQL等.专注于大前端与后端的硬核干货分享,同时是一个随缘更新的UP主. 你可以在各个平台找到我!
🏆 本文收录于专栏: YOLO
————————————————————————
🔥 热门专栏:

🥇 学透CSS: 全网阅读超百万,CSDN最强CSS专栏,精通CSS全属性，不做切图仔，从订阅本专栏开始!

🥇 SprinbBoot + Vue3 项目实战: 新鲜出炉的2023实战系列博客,配套视频,用心打磨,篇篇精品.持续更新,值得订阅!

YOLOv8是YOLO（目标检测和图像分割领域中具有高度影响力的模型）家族的最新成员。它采用了新的架构、新的卷积层和新的检测头。相比于之前的版本，它的速度和准确性都有了显著提高，因此非常适合实时目标检测。此外，YOLOv8支持最新的计算机视觉算法，包括实例分割，可以检测图像中的多个对象。

YOLOv8的优点

相比于之前流行的版本（如YOLOv5、YOLOv7等）有何优势？

首先，YOLOv8引入了一个新的骨干网络——Darknet-53，它比YOLOv7中使用的先前骨干网络更快、更准确。DarkNet-53是一个53层的卷积神经网络，可以将图像分类为1000个物体类别，如键盘、鼠标、铅笔和许多动物。

Yolov8使用类似于图像分割的边界框预测，即像素级别预测。为了实现这一点，他们引入了无锚点检测头。要了解更多关于什么是无锚点目标检测的信息，可以在这里阅读。

YOLOv8比之前的版本更高效，因为它使用了更大的特征图和更高效的卷积网络。这使得模型能够更准确、更快地检测对象。通过更大的特征图，模型可以捕捉不同特征之间更复杂的关系，并更好地识别数据中的模式和对象。此外，更大的特征图还有助于减少训练模型所需的时间，并有助于减少过拟合。

YOLOv8还使用了特征金字塔网络，有助于更好地识别不同大小的对象，从而提高其整体精度。特征金字塔网络是一个概念，它使用不同尺度的特征图（类似于在不同大小的图像上进行预测），结合跳跃连接来更准确地预测较小和较大的对象。更多信息可以在这里阅读。

最后，YOLOv8引入了用户友好的API，使用户能够快速、轻松地在其应用程序中实现模型。

让我们通过一个快速尝试、实践性的解释来更详细地了解YOLOV8。

你应该访问https://github.com/ultralytics/ultralytics

在进一步进行之前，了解Ultralytics和Yolo之间的关系非常重要。

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

如上所示，点击“Open in Colab”，跳转到链接：https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb

点击连接以开始使用Google Colab。如果你是Google Colab的新用户，则点击“如何开始使用Google Colab教程？”

当你访问链接时，它将打开以下教程：

安装ultralytics

%pip install ultralytics
import ultralytics
ultralytics.checks()

以上代码行安装Ultralytics包，以便我们可以使用YOLO算法。默认情况下，在我撰写本文时，它将安装版本8.0.92。或者，你可以执行以下操作

％pip install ultralytics==8.0.92

安装下一行代码后，导入Ultralytics模块，然后我们尝试检查是否存在所有所需的依赖项和兼容的硬件。

例如，当我在我的计算机上执行检查时，以下是输出。

Ultralytics YOLOv8.0.92 🚀 Python-3.10.11 torch-2.0.0+cu118 CUDA:0 (Tesla T4, 15102MiB) Setup complete ✅ (2 CPUs, 12.7 GB RAM, 23.4/78.2 GB disk)

使用YOLOv8n在图像上进行Predict

# Run inference on an image with YOLOv8n
!yolo predict model=yolov8n.pt source='https://ultralytics.com/images/zidane.jpg'

上述语句将：

1. 首先下载引用的图像，

2. 然后下载引用的预训练模型检查点（如果尚未下载），

3. 最后生成推断结果。在我的情况下。

以下是结果。它可能会有所不同，特别是在延迟和检测到的标签数量方面。

Tasks与 Modes

yolo 可用于各种任务和模式，并接受其他参数，例如 imgsz=640。查看 YOLOv8 CLI 文档以获取示例。

Modes - 模式分类

https://docs.ultralytics.com/modes/

• Train - 训练：用于在自定义数据集上训练YOLOv8模型。
• Val - 验证：在训练完YOLOv8模型后，用于验证其准确性。
• Predict - 预测：使用已训练好的YOLOv8模型对新图像或视频进行预测。
• Export - 导出：将YOLOv8模型导出为可用于部署的格式。
• Track - 跟踪：使用YOLOv8模型实时跟踪物体。
• Benchmark - 基准测试：用于基准测试YOLOv8导出（ONNX，TensorRT等）的速度和准确性。

Tasks - 任务分类

https://docs.ultralytics.com/tasks/?h=task

• Detection- 检测

• Segmentation - 分割

• Classification- 分类

• Pose -姿态