YOLOv8-16bit/README.zh-CN.md

English | 简体中文

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。

我们希望这里的资源能帮助您充分利用 YOLOv8。请浏览 YOLOv8 文档 了解详细信息，在 GitHub 上提交问题以获得支持，并加入我们的 Discord 社区进行问题和讨论！

如需申请企业许可，请在 Ultralytics Licensing 处填写表格

文档

请参阅下面的快速安装和使用示例，以及 YOLOv8 文档 上有关培训、验证、预测和部署的完整文档。

安装

在一个 Python>=3.7 环境中，使用 PyTorch>=1.7，通过 pip 安装 ultralytics 软件包以及所有依赖项。

pip install ultralytics

Usage

CLI

YOLOv8 可以在命令行界面（CLI）中直接使用，只需输入 yolo 命令：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

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。

Python

YOLOv8 也可以在 Python 环境中直接使用，并接受与上述 CLI 示例中相同的参数：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）

# 使用模型
model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

模型 会自动从最新的 Ultralytics 发布版本中下载。查看 YOLOv8 Python 文档以获取更多示例。

模型

所有的 YOLOv8 预训练模型都可以在此找到。检测、分割和姿态模型在 COCO 数据集上进行预训练，而分类模型在 ImageNet 数据集上进行预训练。

在首次使用时，模型 会自动从最新的 Ultralytics 发布版本中下载。

检测

查看 检测文档 以获取使用这些模型的示例。

模型	尺寸 (像素)	mAPval 50-95	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

• mAP^val 值是基于单模型单尺度在 COCO val2017 数据集上的结果。
  通过 yolo val detect data=coco.yaml device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val detect data=coco128.yaml batch=1 device=0|cpu 复现

分割

查看 分割文档 以获取使用这些模型的示例。

模型	尺寸 (像素)	mAPbox 50-95	mAPmask 50-95	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
YOLOv8n-seg	640	36.7	30.5	96.1	1.21	3.4	12.6
YOLOv8s-seg	640	44.6	36.8	155.7	1.47	11.8	42.6
YOLOv8m-seg	640	49.9	40.8	317.0	2.18	27.3	110.2
YOLOv8l-seg	640	52.3	42.6	572.4	2.79	46.0	220.5
YOLOv8x-seg	640	53.4	43.4	712.1	4.02	71.8	344.1

• mAP^val 值是基于单模型单尺度在 COCO val2017 数据集上的结果。
  通过 yolo val segment data=coco.yaml device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu 复现

分类

查看 分类文档 以获取使用这些模型的示例。

模型	尺寸 (像素)	acc top1	acc top5	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B) at 640
YOLOv8n-cls	224	66.6	87.0	12.9	0.31	2.7	4.3
YOLOv8s-cls	224	72.3	91.1	23.4	0.35	6.4	13.5
YOLOv8m-cls	224	76.4	93.2	85.4	0.62	17.0	42.7
YOLOv8l-cls	224	78.0	94.1	163.0	0.87	37.5	99.7
YOLOv8x-cls	224	78.4	94.3	232.0	1.01	57.4	154.8

• acc 值是模型在 ImageNet 数据集验证集上的准确率。
  通过 yolo val classify data=path/to/ImageNet device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 ImageNet val 图像进行平均计算的。
  通过 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu 复现

姿态

查看 姿态文档 以获取使用这些模型的示例。

模型	尺寸 (像素)	mAPpose 50-95	mAPpose 50	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
YOLOv8n-pose	640	49.7	79.7	131.8	1.18	3.3	9.2
YOLOv8s-pose	640	59.2	85.8	233.2	1.42	11.6	30.2
YOLOv8m-pose	640	63.6	88.8	456.3	2.00	26.4	81.0
YOLOv8l-pose	640	67.0	89.9	784.5	2.59	44.4	168.6
YOLOv8x-pose	640	68.9	90.4	1607.1	3.73	69.4	263.2
YOLOv8x-pose-p6	1280	71.5	91.3	4088.7	10.04	99.1	1066.4

• mAP^val 值是基于单模型单尺度在 COCO Keypoints val2017 数据集上的结果。
  通过 yolo val pose data=coco-pose.yaml device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val pose data=coco8-pose.yaml batch=1 device=0|cpu 复现

集成

Roboflow	ClearML ⭐ NEW	Comet ⭐ NEW	Neural Magic ⭐ NEW
使用 Roboflow 将您的自定义数据集直接标记并导出至 YOLOv8 进行训练	使用 ClearML（开源！）自动跟踪、可视化，甚至远程训练 YOLOv8	免费且永久，Comet 让您保存 YOLOv8 模型、恢复训练，并以交互式方式查看和调试预测	使用 Neural Magic DeepSparse 使 YOLOv8 推理速度提高多达 6 倍

Ultralytics HUB

体验 Ultralytics HUB ⭐ 带来的无缝 AI，这是一个一体化解决方案，用于数据可视化、YOLOv5 和即将推出的 YOLOv8 🚀 模型训练和部署，无需任何编码。通过我们先进的平台和用户友好的 Ultralytics 应用程序，轻松将图像转化为可操作的见解，并实现您的 AI 愿景。现在就开始您的免费之旅！

贡献

我们喜欢您的参与！没有社区的帮助，YOLOv5 和 YOLOv8 将无法实现。请参阅我们的贡献指南以开始使用，并填写我们的调查问卷向我们提供您的使用体验反馈。感谢所有贡献者的支持！🙏

许可证

YOLOv8 提供两种不同的许可证：

• AGPL-3.0 许可证：详细信息请参阅 LICENSE 文件。
• 企业许可证：为商业产品开发提供更大的灵活性，无需遵循 AGPL-3.0 的开源要求。典型的用例是将 Ultralytics 软件和 AI 模型嵌入商业产品和应用中。在 Ultralytics 授权 处申请企业许可证。

联系方式

对于 YOLOv8 的错误报告和功能请求，请访问 GitHub Issues，并加入我们的 Discord 社区进行问题和讨论！