使用YOLOv8做目標(biāo)檢測(cè)和實(shí)例分割的演示

背景介紹

YOLOv8是來(lái)自Ultralytics的最新的基于YOLO的對(duì)象檢測(cè)模型系列，提供最先進(jìn)的性能。

利用以前的 YOLO 版本，YOLOv8模型更快、更準(zhǔn)確，同時(shí)為訓(xùn)練模型提供統(tǒng)一框架，以執(zhí)行：

物體檢測(cè)

實(shí)例分割

圖像分類

下面是使用YOLOv8做目標(biāo)檢測(cè)和實(shí)例分割的演示視頻：

YOLOv8的新特性與可用模型

Ultralytics為YOLO模型發(fā)布了一個(gè)全新的存儲(chǔ)庫(kù)。它被構(gòu)建為 用于訓(xùn)練對(duì)象檢測(cè)、實(shí)例分割和圖像分類模型的統(tǒng)一框架。

以下是有關(guān)新版本的一些主要功能：

用戶友好的 API（命令行 + Python）。

更快更準(zhǔn)確。

支持:

物體檢測(cè)

實(shí)例分割

圖像分類

可擴(kuò)展到所有以前的版本。

新骨干網(wǎng)絡(luò)。

新的無(wú)錨頭。

新的損失函數(shù)。

YOLOv8 還高效靈活地支持多種導(dǎo)出格式，并且該模型可以在 CPU 和 GPU 上運(yùn)行。

YOLOv8 模型的每個(gè)類別中有五個(gè)模型用于檢測(cè)、分割和分類。YOLOv8 Nano 是最快和最小的，而 YOLOv8 Extra Large (YOLOv8x) 是其中最準(zhǔn)確但最慢的。

YOLOv8 捆綁了以下預(yù)訓(xùn)練模型：

在圖像分辨率為 640 的 COCO 檢測(cè)數(shù)據(jù)集上訓(xùn)練的對(duì)象檢測(cè)檢查點(diǎn)。

在圖像分辨率為 640 的 COCO 分割數(shù)據(jù)集上訓(xùn)練的實(shí)例分割檢查點(diǎn)。

在圖像分辨率為 224 的 ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練的圖像分類模型。

如下是使用YOLOv8x做目標(biāo)檢測(cè)和實(shí)例分割模型的輸出：

如何使用YOLOv8

要充分發(fā)揮YOLOv8的潛力，需要從存儲(chǔ)庫(kù)和ultralytics包中安裝要求。要安裝要求，我們首先需要克隆存儲(chǔ)庫(kù)。

在最新版本中，Ultralytics YOLOv8提供了完整的命令行界面 (CLI) API 和 Python SDK，用于執(zhí)行訓(xùn)練、驗(yàn)證和推理。要使用yoloCLI，我們需要安裝ultralytics包。

pip install ultralytics

【1】如何使用命令行界面 (CLI) 使用 YOLOv8？ 安裝必要的包后，我們可以使用命令訪問(wèn) YOLOv8 CLI yolo。以下是使用yoloCLI 運(yùn)行對(duì)象檢測(cè)推理的示例。

yolo task=detect 
mode=predict 
model=yolov8n.pt 
source="image.jpg"

該task標(biāo)志可以接受三個(gè)參數(shù)：detect、classify和segment。同樣，模式可以是train、val或之一predict。我們也可以像export導(dǎo)出經(jīng)過(guò)訓(xùn)練的模型時(shí)一樣傳遞模式。 【2】如何通過(guò)Python API使用YOLOv8？ 我們還可以創(chuàng)建一個(gè)簡(jiǎn)單的Python文件，導(dǎo)入YOLO模塊并執(zhí)行我們選擇的任務(wù)。

from ultralytics import YOLO


model = YOLO("yolov8n.pt")  # load a pretrained YOLOv8n model


model.train(data="coco128.yaml")  # train the model
model.val()  # evaluate model performance on the validation set
model.predict(source="https://ultralytics.com/images/bus.jpg")  # predict on an image
model.export(format="onnx")  # export the model to ONNX format

例如，上述代碼首先會(huì)在COCO128數(shù)據(jù)集上訓(xùn)練YOLOv8 Nano模型，在驗(yàn)證集上進(jìn)行評(píng)估，并對(duì)樣本圖像進(jìn)行預(yù)測(cè)。

讓我們使用yoloCLI 并使用對(duì)象檢測(cè)、實(shí)例分割和圖像分類模型進(jìn)行推理。

【3】目標(biāo)檢測(cè)的推理結(jié)果 以下命令使用YOLOv8 Nano模型對(duì)視頻運(yùn)行檢測(cè)。

yolotask=detectmode=predictmodel=yolov8n.ptsource='input/video_3.mp4'show=True

推理在筆記本電腦GTX1060 GPU上以接近105 FPS的速度運(yùn)行。我們得到以下輸出：

YOLOv8 Nano 模型在幾幀中將貓混淆為狗。讓我們使用 YOLOv8 Extra Large 模型對(duì)同一視頻運(yùn)行檢測(cè)并檢查輸出：

yolotask=detectmode=predictmodel=yolov8x.ptsource='input/video_3.mp4'show=True

Extra Large模型在GTX1060 GPU上的平均運(yùn)行速度為 17 FPS。

【4】實(shí)例分割的推理結(jié)果 使用YOLOv8 實(shí)例分割模型運(yùn)行推理同樣簡(jiǎn)單。我們只需要更改上面命令中的task和model名稱。

yolotask=segmentmode=predictmodel=yolov8x-seg.ptsource='input/video_3.mp4'show=True

因?yàn)閷?shí)例分割與對(duì)象檢測(cè)相結(jié)合，所以這次的平均 FPS 約為 13。

分割圖在輸出中看起來(lái)非常干凈。即使貓?jiān)谧詈髱讕卸阍诜綁K下，模型也能夠檢測(cè)并分割它。

【5】圖像分類推理結(jié)果

最后，由于YOLOv8已經(jīng)提供了預(yù)訓(xùn)練的分類模型，讓我們使用該yolov8x-cls模型對(duì)同一視頻進(jìn)行分類推理。這是存儲(chǔ)庫(kù)提供的最大分類模型。

yolo task=classify mode=predict model=yolov8x-cls.pt source='input/video_3.mp4' show=True

默認(rèn)情況下，視頻使用模型預(yù)測(cè)的前5個(gè)類進(jìn)行注釋。在沒(méi)有任何后處理的情況下，注釋直接匹配ImageNet類名。

審核編輯：劉清

文章出處：【微信公眾號(hào)：新機(jī)器視覺(jué)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。