YOLOv8目标检测算法

YOLOv8目标检测算法相较于前几代YOLO系列算法具有如下的几点优势：

• 更友好的安装/运行方式
• 速度更快、准确率更高
• 新的backbone，将YOLOv5中的C3更换为C2F
• YOLO系列第一次尝试使用anchor-free
• 新的损失函数

YOLOv8简介

YOLOv8 是 Ultralytics 公司继 YOLOv5 算法之后开发的下一代算法模型，目前支持图像分类、物体检测和实例分割任务。YOLOv8 是一个 SOTA 模型，它建立在之前YOLO 系列模型的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。具体创新包括：一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。注意到ultralytics 并没有直接将开源库命名为 YOLOv8，而是直接使用 Ultralytics这个单词，原因是Ultralytics这个库的定位是算法框架，而非特指某一个特定算法，其希望这个库不仅仅能够用于 YOLO 系列模型，同时也能支持其他的视觉任务如图像分类、实例分割等。下图画图YOLOv8目标检测算法同其他YOLO系列算法（YOLOv5、6、7）的实验对比图，左边是模型参数量对比，右边是速度对比。

下面两个表分别是YOLOv8和YOLOv5（v7.0版本）官方在 COCO Val 2017 数据集上测试结果，从中看出 YOLOv8 相比 YOLOv5 精度提升大，但是 N/S/M 模型相应的参数量、FLOPS等提高了不少。

YOLOv8概述

提供了一个全新的SOTA模型，和YOLOv5一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求，同时支持图像分类、目标检测、实例分割和姿态检测任务
在骨干网络和Neck部分将YOLOv5的C3结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，大幅提升了模型性能；需要注意的是C2f 模块中存在Split等操作对特定硬件部署没有之前那么友好

• Head部分换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based换成了Anchor-Free Loss
• 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss

下图画出YOLOv8目标检测算法的整体结构图，原图从mmyolo仓库（https://github.com/open-mmlab/mmyolo/blob/dev/configs/yolov8/README.md）获取

YOLOv8模型

YOLOv8目标检测算法的模型配置文件如下：

从配置文件可以看出，YOLOv8与YOLOv5模型最明显的差异是使用C2F模块替换了原来的C3模块，两个模块的结构图（原图：https://mmyolo.readthedocs.io/zh_CN/latest/recommended_topics/algorithm_descriptions/yolov8_description.html）下图所示。

另外Head 部分变化最大，从原先的耦合头变成了解耦头，并且从 YOLOv5 的 Anchor-Based 变成了 Anchor-Free。其结构对比图（原图：https://mmyolo.readthedocs.io/zh_CN/latest/recommended_topics/algorithm_descriptions/yolov8_description.html）如下所示：

当然YOLOv8相较于之前YOLO系列算法还有其他的改变，具体参考官方源码库（https://github.com/ultralytics/ultralytics）和mmyolo库（https://mmyolo.readthedocs.io/zh_CN/latest/recommended_topics/algorithm_descriptions/yolov8_description.html）

YOLOv8安装

（1）直接安装： pip install ultralytics
（2）下载仓库安装：git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .

YOLOv8训练

yolov8的训练采用命令行的模型（当然也可以使用api调用的方式），下面是yolov8官方给定的训练方式：

一个简单的单卡模型训练命令如下：

一个简单的多卡模型训练命令如下：

当然更多的参数在训练时可以被指定，这些参数包括如下：

上面列举一些常见的参数，还有一些如训练策略的一些参数可从一下链接查看：https://docs.ultralytics.com/modes/train/#arguments

YOLOv8验证

yolov8的验证采用命令行的模型（当然也可以使用api调用的方式），下面是yolov8官方给定的验证方式：

当然更多的参数在验证时可以被指定，这些参数包括如下：

YOLOv8推理测试

yolov8的推理测试采用api调用的方式，下面是yolov8官方给定的测试方式：

YOLOv8推理可为各种任务生成预测结果，可返回一个结果对象列表或一个节省内存的结果对象生成器（在使用流模式时，即在model中设置stream=True）

YOLOv8可以处理不同类型的输入源（如下表所示）进行推理，输入源包括静态图像、视频流和各种数据格式。表中还显示了参数 stream=True表示可以在流模式下使用这个源。流模式有利于处理视频或实时流，因为它会创建一个结果生成器，而不是将所有帧加载到内存中。（在处理长视频或大型数据集时，使用 stream=True 可以有效管理内存。当 stream=False 时，所有帧或数据点的结果都会存储在内存中，这可能会迅速增加数据量，最终导致内存不足错误。相比之下，stream=True利用生成器，只将当前帧或数据点的结果保存在内存中，从而大大减少了内存消耗，防止出现内存不足问题）

model.predict()接受多个参数，可在推理时通过下面的这些参数覆盖默认值：

更多的信息如图像格式、视频格式、检测结果格式等信息请参考官网：https://docs.ultralytics.com/modes/predict/#working-with-results

YOLOv8导出

yolov8模型的导出采用命令行的模型（当然也可以使用api调用的方式），下面是yolov8官方给定的模型导出方式：

YOLOv8模型的导出设置是指用于保存或导出模型以便在其他环境或平台中使用的各种配置和选项。这些设置会影响模型的性能、大小以及与不同系统的兼容性。一些常见的YOLOv8导出设置包括导出模型文件的格式（如 ONNX、TensorFlow等）、运行模型的设备（如 CPU、GPU），以及是否存在掩码或每个方框多个标签等附加功能。可能影响导出过程的其他因素包括模型用于的特定任务以及目标环境或平台的要求或限制，必须仔细考虑和配置这些设置，以确保导出的模型针对预期用例进行了优化，并能在目标环境中有效使用。下表列出模型在导出过程中常见的一些配置信息：

可用的YOLOv8模型的导出格式如下表所示，您可以使用format参数导出任何格式，例如format=‘onnx’ 或 format='engine’等