Yolo深度学习模型YOLOv8

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。

YOLOv8 系列中的 YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x 是同一架构下的不同规模模型，主要通过网络深度、宽度（通道数） 区分，以平衡检测精度、速度和计算成本。具体区别如下：

1. 核心差异：模型规模与参数

• YOLOv8n（nano）：
  最小模型，网络深度和宽度最小，参数约 3.2M。
  特点：速度最快，计算量最小（FLOPs 约 8.7G），适合算力有限的场景（如移动端、嵌入式设备），但精度相对最低。

• YOLOv8s（small）：
  小规模模型，参数约 11.2M，比 nano 更复杂。
  特点：速度较快（略逊于 nano），精度优于 nano，FLOPs 约 28.6G，适合对速度和精度有平衡需求的场景（如边缘计算设备）。

• YOLOv8m（medium）：
  中等规模模型，参数约 25.9M。
  特点：精度进一步提升，FLOPs 约 78.9G，速度适中，适合常规 GPU 推理场景（如服务器端基础检测任务）。

• YOLOv8l（large）：
  大规模模型，参数约 43.7M。
  特点：精度较高，FLOPs 约 165.2G，计算量较大，适合对精度要求较高且算力充足的场景（如复杂环境检测）。

• YOLOv8x（xlarge）：
  最大模型，参数约 68.2M，网络最深、最宽。
  特点：精度最高，FLOPs 约 257.8G，计算量最大，适合对精度要求极高且算力充足的场景（如科研、高精度工业检测）。

2. 性能表现：速度与精度

在 COCO 数据集（目标检测基准）上的典型表现（仅供参考）：

模型	输入尺寸	mAPval（精度）	速度（CPU，ms）	速度（GPU，ms）
YOLOv8n	640×640	37.3	~140	~3
YOLOv8s	640×640	44.9	~220	~5
YOLOv8m	640×640	50.2	~450	~8
YOLOv8l	640×640	52.9	~700	~12
YOLOv8x	640×640	53.9	~1100	~20

• mAP：均值平均精度，数值越高精度越好；
• 速度：单位为毫秒（ms），数值越小速度越快（CPU 为普通桌面处理器，GPU 为 NVIDIA Tesla T4 等中端显卡）。

3. 适用场景

• YOLOv8n/s：追求速度优先，如实时视频流检测（摄像头监控）、移动端应用、嵌入式设备（如 Jetson Nano）。
• YOLOv8m：平衡速度与精度，适合大多数服务器端常规检测任务（如工业质检、普通图像识别）。
• YOLOv8l/x：精度优先，适合对细节要求高的场景（如小目标检测、复杂背景下的精细识别），但需较强算力支持（如高性能 GPU）。

4. 总结

选择时需根据硬件算力、实时性要求、检测精度需求权衡：

• 算力有限 → 选 n/s 版；
• 常规场景 → 选 m 版；
• 高精度需求 → 选 l/x 版。

同一任务中，模型规模越大，训练/推理耗时越长，对显存要求越高（如 YOLOv8x 推理可能需要 8GB 以上 GPU 显存）。

5. YOLOv8的安装和Python使用

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
使用Pip在一个Python>=3.8环境中安装ultralytics包，此环境还需包含PyTorch>=1.7。这也会安装所有必要的依赖项。

pip install ultralytics

如需使用包括Conda、Docker和Git在内的其他安装方法，请参考快速入门指南。

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

5. Yolo模型测试使用