YOLOv8——CV界的XGBoost - 文章 - 开发者社区

yolov8是ultralytics公司于2023年1月开源的anchor-free的最新目标检测算法框架。

封装在ultralytics这个库中：https://github.com/ultralytics/ultralytics

它具有以下优点：

1，性能速度领先 ：借鉴了之前许多YOLO版本的trick，达到了领先的性能和极致的速度。

2，多种任务支持 ：支持图片分类，目标检测，实例分割，目标追踪，关键点检测这些最常用的CV任务。

picture.image

3，完整的落地工具链 : 提供从数据准备，到模型训练，模型评估，到模型导出部署整个工业落地应用非常完整的工具。

4，强大的灵活性 ：ultralytics主打以python库的形式使用，方便定制化改进算法或者用于其它CV项目中。

我感觉ultralytics的使用体验，非常像xgboost/lightgbm/catboost这些库，使用简单，功能强大。

完全不懂原理的小白，简单粗暴把数据喂进去，就能够做出非常好的效果。

下面我们主要演示yolov8中的预训练模型的使用方法。

公众号后台回复关键词： yolov8 ，获取本文notebook源代码和B站视频讲解。

〇，环境准备


        
        
            

          #!pip install -U ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
            

          #!pip install torchkeras -i https://pypi.tuna.tsinghua.edu.cn/simple
            

          #!pip install 'lap>=0.4' -i https://pypi.tuna.tsinghua.edu.cn/simple


        
          
import ultralytics  
print(ultralytics.__version__)


        
          
from PIL import Image   
from torchkeras.data import get_example_image  
import torch   
img = get_example_image('park.jpg')  
img.save('park.jpg')

一，图片分类


        
          
from ultralytics import YOLO   
model = YOLO('yolov8n-cls.pt')


        
          
#save保存预测可视化， save\_txt保存预测  
preds = model.predict(source='park.jpg',save_txt=True,save=True)


        
          
#查看预测结果  
from PIL import Image   
Image.open(model.predictor.save_dir/'park.jpg')

二，目标检测


        
          
from ultralytics import YOLO   
model = YOLO('yolov8n.pt')


        
          
#save保存预测可视化， save\_txt保存预测  
preds = model.predict(source='park.jpg',save_txt=True,save=True)


        
          
#查看预测结果  
from PIL import Image   
Image.open(model.predictor.save_dir/'park.jpg')


        
          
#摄像头作为输入  
model.predict(source=0, show=True)

picture.image

三，目标追踪

目标追踪使用的是目标检测模型，输出中可以给视频中的每个对象分配一个id。常用于给视频中某类物体出现的个数进行计数。


        
          
from ultralytics import YOLO   
model = YOLO('yolov8n.pt')


        
          
from ultralytics.yolo.utils import set_logging  
set_logging(verbose=False)  
  
#视频作为输入  
preds = model.track(  
    source='乒乓球.mp4',  
    save=True,  
    show=True  
)  
for p in preds[::20]:  
    print(p.boxes.id)

picture.image

四，实例分割


        
          
from ultralytics import YOLO   
model = YOLO('yolov8s-seg.pt')


        
          
#save保存预测可视化， save\_txt保存预测  
preds = model.predict(source='park.jpg',save_txt=True,save=True)


        
          
#查看预测结果  
from PIL import Image   
Image.open(model.predictor.save_dir/'park.jpg')

picture.image


        
          
#摄像头作为输入  
preds = model.predict(source=0, show=True)

五，关键点检测


        
          
from ultralytics import YOLO   
model = YOLO('yolov8s-pose.pt')


        
          
#save保存预测可视化， save\_txt保存预测  
preds = model.predict(source='park.jpg',save_txt=True,save=True)


        
          
from PIL import Image   
Image.open(model.predictor.save_dir/'park.jpg')

picture.image


        
          
#摄像头进行预测  
preds = model.predict(source=0,show=True)

picture.image