yolov3怎么用（YoloV8简单使用）
我们坐在阳光下 ，我们转眼间长大 ，Yolo系列都到V8了 ，来看看怎么个事 。目标检测不能没有Yolo ，就像西方不能没有耶路撒冷 。这个万能的目标检测框架圈粉无数 ，经典的三段式改进也是改造出很多论文 ，可惜我念书时的研究方向不是纯粹的目标检测 ，所以在做研究的时候没有用到过 ，但是同学用到的多啊 ，彼此交流也大概能知道Yolo的架构 ，这次决定好好学一学这个绝版Yolo 。
先来看看它的自我介绍：
Ultralytics YOLOv8是由Ultralytics开发的YOLO物体检测和图像分割模型的最新版本 。YOLOv8是一个尖端的 、最先进的（SOTA）模型 ，它建立在以前YOLO版本的成功基础上 ，并引入了新的功能和改进 ，以进一步提升性能和灵活性 。
YOLOv8的一个主要特点是其可扩展性 。它被设计成一个框架 ，支持所有以前的YOLO版本 ，使其很容易在不同的版本之间切换 ，并比较其性能 。这使得YOLOv8成为那些想利用最新的YOLO技术 ，同时又能使用他们现有的YOLO模型的用户的理想选择 。
除了其可扩展性 ，YOLOv8还包括其他一些创新 ，使其成为广泛的物体检测和图像分割任务的吸引人的选择 。这些创新包括一个新的骨干网络 、一个新的无锚检测头和一个新的损失函数 。YOLOv8的效率也很高 ，可以在各种硬件平台上运行 ，从CPU到GPU 。
我来总结一下吧 。第一：可以目标检测 、图像分割 ，是最强的Yolo 。第二：做成了框架 ，可以和前几个版本的Yolo做对比 ，这个做过科研的都知道咋回事了 。第三：框架里有新的细节 ，创新的骨干 、无锚检测头 、新损失 ，效率更高 ，不过以我的经验来讲 ，快就要牺牲精度 ，除非真的有针对性提取信息的创新 。
一 、安装使用
1.1 安装
YoloV8有两种下载方法：pip 、git
pip：
pip install ultralytics
or
git：
git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .[dev]
不过我建议直接去github网址下载 ，这样快一些 ，下载完成后进入到ultralytics目录下pip install 需要的库：
执行：
pip install -r requirements.txt -i https://pypi.douban.com/simple/
我加了豆瓣镜像会快一些 ，别忘了切换到自己的环境下去做这些事 ，不然白忙活 。
1.2 数据处理
下载自己的数据集 ，比如测试用的coco8:
https://ultralytics.com/assets/coco8.zip在yolov8目录下直接创建datasets文件夹 ，将coco8解压在下面就能使用 ，自己的数据集同样的格式就可以：
其实这种加载文件的细节在dataloader中 ，修改dataloader中的：v5loader.py ，另外可以在v5augmentations.py中加入自己想要的数据增强方法 ，在里面通过设置概率p来控制数据增强的轻度大小 。
二 、Tasks(使用不同方式训练)
1.1 Detection
老版Yolo做的都是Detection ，也就是传统的目标检测 。两个目标：定位位置 ，识别类别 。这两个目标对应着两个检测头 ，如果我没记错的话 ，这里并没有最新的YoloV8论文 。
当你需要识别场景中感兴趣的物体 ，但又不需要知道物体的确切位置或其确切形状时 ，物体检测Detection方法是一个不错的选择 。另外 ，YoloV8仍然将模型的结构定义在了yaml配置文件里 。
tips：YOLOv8检测模型没有后缀 ，是 YOLOv8的默认模型 ，即 yolov8n.pt ，预先在 COCO 上进行了训练 。
1.1.1 Train
训练有两种方式：
一种是新建了py文件导入模型 ，另一种是命令启动 。
from ultralytics import YOLO # Load a model model = YOLO("yolov8n.yaml") # build a new model from scratch model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="coco128.yaml", epochs=100, imgsz=640)yolo task=detect mode=train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
我莫名觉得前者更好一点 ，哈哈哈哈 。
具体参数如何配置以及配置后的影响请看下面链接：
Configuration - Ultralytics YOLOv8 Docs
1.1.2 Val
仍是两种方式：
from ultralytics import YOLO # Load a model model = YOLO("yolov8n.pt") # load an official model model = YOLO("path/to/best.pt") # load a custom model # Validate the model results = model.val() # no arguments needed, dataset and settings remembered yolo task=detect mode=val model=yolov8n.pt # val official model yolo task=detect mode=val model=path/to/best.pt # val custom model1.1.3 Predict
展示效果：
from ultralytics import YOLO # Load a model model = YOLO("yolov8n.pt") # load an official model model = YOLO("path/to/best.pt") # load a custom model # Predict with the model results = model("https://ultralytics.com/images/bus.jpg") # predict on an image1.1.4 Export（导出）
导出这个简直太棒了 ，有开发框架果然还是方便啊 。不然都得自己写 。以导出onnx格式为例：
from ultralytics import YOLO # Load a model model = YOLO("yolov8n.pt") # load an official model model = YOLO("path/to/best.pt") # load a custom trained # Export the model model.export(format="onnx")看下面这个表格 ，不要太方便：
1.2 Segmentation
实例分割比目标检测分割更进一步 ，它涉及识别图像中的单个对象 ，并将它们与图像的其余部分分割开来 。一般来说做实力分割好的网络都是U型 ，著名的UNet就是如此 ，因为需要判断每个像素点 ，所以使用全卷积神经网络 ，速度也慢很多 。Yolo这种轻量的网络做Segmentation应该不如专业的Seger强 ，希望我被打脸 。
训练方式类似Detection ，不做过多介绍 。
1.3 Classification
图像分类器的输出是一个单类标签和一个置信度评分 。当您只需要知道图像属于哪个类 ，而不需要知道该类的对象位于何处或它们的确切形状时 ，图像分类非常有用 。
Classidication是传统的机器学习项目了 ，一般的卷积神经网络后置一个全联接层在minist数据集上就可以达到98%的准确率 ，所以对于yoloV8这根本不是问题 ，问题是谁用这个做calssification啊 ，难道是我肤浅了？
那么至此 ，基本的介绍就到这 。
二 、网络结构
关于网络结构可以参考YoloV5 ，都是定义在ymal里的参数 ，然后通过参数去调用模块 ，这块对模块自定义者完全不友好:
yolov5模型配置yaml文件详解_yolov5 yaml_LaLaLaLaXFF的博客-CSDN博客
值得注意：Head不仅指检测头 ，还有关于图像融合的部分比如FPN 、PAN等等 ，不过FPN 、PAN也是通过小的组件实现的 ，所以完全可以通过配置参数组合自己想要的融合机制 ，也就是FPN的样子 。
三 、总结
总之 ，YoloV8仍然是在YoloV5基础上做改进 ，下一篇看看如何玩转yaml定义的网络结构 ，实现自己的创新点 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！