一、前言

一种易于使用的新的对象检测模型。

由 Ultralytics 开发的 Ultralytics YOLOv8 是一种尖端的、最先进的 (SOTA) 模型：

https://github.com/ultralytics/ultralytics

在这里插入图片描述

上面是源码的分享地址。

二、用法

2.1 安装

pip 安装包含所有 requirements.txt 的 ultralytics 包，环境要求 3.10>=Python>=3.7，且 PyTorch>=1.7。

# Ultralytics requirements
# Usage: pip install -r requirements.txt# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.6.0
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0# Logging -------------------------------------
tensorboard>=2.4.1
# clearml
# comet# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0# Export --------------------------------------
# coremltools>=6.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnx-simplifier>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2022.3  # OpenVINO export# Extras --------------------------------------
ipython  # interactive notebook
psutil  # system utilization
thop>=0.1.1  # FLOPs computation
wheel>=0.38.0  # Snyk vulnerability fix
# albumentations>=1.0.3
# pycocotools>=2.0.6  # COCO mAP
# roboflow

上述已经满足的情况下，选择安装：

pip install ultralytics

2.2 使用方法

YOLOv8 可以直接在命令行界面（CLI）中使用 yolo 命令运行：

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

yolo可以用于各种任务和模式，并接受额外的参数，例如 imgsz=640。

参见 YOLOv8 文档中可用yolo参数的完整列表。

yolo task=detect    mode=train    model=yolov8n.pt        args...classify       predict        yolov8n-cls.yaml  args...segment        val            yolov8n-seg.yaml  args...export         yolov8n.pt        format=onnx  args...

YOLOv8 也可以在 Python 环境中直接使用，并接受与上面 CLI 例子中相同的参数：

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（推荐用于训练）# Use the model
results = model.train(data="coco128.yaml", epochs=3)  # 训练模型
results = model.val()  # 在验证集上评估模型性能
results = model("https://ultralytics.com/images/bus.jpg")  # 预测图像
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式