本帖最后由 ANUU 于 2023-1-21 22:17 编辑
大名鼎鼎的YOLO 迎来新版本YOLOv8，将脱离标准的YOLO项目设计开发自己的API
话不多说，先上图 ，这是推特上Muhammad Rizwan Munawar用户上发布的YOLOv7 和 YOLOv8 比较的结果，可以看到YOLOv8明显快于它的前辈YOLOv7视频
新版 YOLOv8 准确度和 推理速度
YOLOv8没有发表论文，但是他的GITHUB的readme中（https://github.com/ultralytics/u ... ain/README.zh-CN.md）值得一提的是 github的说明文档还专门给出中文文档 给出来了 mAP 值和 FPS 测量值在数据集中的表现结果，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。其中代表准确度 是用 COCO val2017 的数据集测试的 ，而他的代表推理速度是在 Amazon EC2 P4d环境中测试的
YOLOv8作者与公司截至到完稿，YOLO官网还没贴出YOLOv8 的链接，所以只能从它的公司 和 github 以及众多网友博客视频等了解这个项目，YOLOv8 是由小型公司 Ultralytics 创建并维护的，Ultralytics是一个以YOLOv3和YOLOv5工作而闻名的团队，其实很多技惊四座的计算机项目都是由个人或很小的团队开发出来的，至于这一点 ，记不记得教科书《软件工程》所说的：“越少人越好！”。 而YOLOv8的作者，是Ultralytics的Glenn Jocher。2020年2月，当YOLO 初代目 Redmon突然宣布退出计算机视觉研究的时候，Glenn Jocher大佬横空出世，在PyTorch中创建了最为大众接受的YOLOv3的实现。下图是Glenn Jocher推特的头像 ，是不是很阳光帅气！
YOLO 增加了新的API
与之前的YOLO项目相比很大不同的是，YOLOv8 将拥有自己的API,将替换之前的 train.py、detect.py、val.py 和 export.py 脚本，用统一的API实现 ，允许YOLOv8通过终端独立使用，成为复杂计算机视觉应用程序的一部分。YOLOv8 带有一个命令行界面，可让你在各种任务和版本上训练、验证或推断模型，以下的是官方给的 命令行示例
- yolo task=detect \
- mode=predict \
- model=yolov8n.pt \
- conf=0.25 \
- source='https://media.roboflow.com/notebooks/examples/dog.jpeg'
你还可以在python脚本中轻松使用它
- <b>The YOLOv8 Python SDK</b>from ultralytics import YOLO
- model = YOLO('yolov8n.pt')
- model.predict(
- source='https://media.roboflow.com/notebooks/examples/dog.jpeg',
- conf=0.25
- )
这样的改动对于我们这些小白来说无疑是利大的好消息，因为YOLOv8项目被进一步的封装有利于减少遇到报错和BUG的几率，不过也有坏处就是，像 train.py、detect.py这些文件对于那些想深入了解YOLO原理的人来说 ，分开文件的更有利于理解和学习！
在Roboflow网站上为YOLOv8 操作数据集
构建自定义数据集可能是一个痛苦的过程。收集图像、标记图像并以正确的格式导出它们可能需要数十甚至数百个小时。
从它给出的教程上看非常的简单和便捷，包含的功能有非常的多，这里小编初略的统计下： - 1. 通过 API 注释大量图像，或使用模型辅助标记工具来加快速度。
- 2. 生成数据集版本，可以选择添加预处理和扩充 提高模型的鲁棒性
- 3. 支持使用新模型进行验证
- 4. 可以使用 Roboflow pip 包中的 deploy（） 函数将模型权重上传到 Roboflow Deploy，以使用经过训练的权重。
- 5. 可以通过上传图片或视频来测试和展示模 型性能： 以及使用网络摄像头，或将 YouTub链接粘贴到要运行推理的视频。
另外如下图所示 ，新版的YOLOV8 还增加了ClearML ， Comet ， Neural Magic去提高你的开发效率 ，甚至Ultralytics 还提供了手机 APP 去使用 YOLO探索现实世界手机APP 下载 网址 ：
https://ultralytics.com/app
| 
发表于 2023-1-21 21:21:04
1417 浏览 0 回复
