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 model

1.1.3 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 image

1.1.4 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
  
  
  
  
  
  
 。