随着YOLOv8的发布,计算机视觉领域取得了进步,YOLOv8 是一种为对象检测、实例分割和分类定义新水平的模型。
除了模型架构本身的改进之外,YOLOv8 还通过 PIP 包向开发人员介绍了一个使用 YOLO 模型的全新友好界面。
在这篇博文中,我们将深入探讨 YOLOv8 在计算机视觉领域的意义,将其与类似模型的准确性进行比较,并讨论 YOLOv8 GitHub 存储库中的最新变化。
什么是 YOLOv8?
YOLOv8 是最新的先进 YOLO 模型,可用于对象检测、图像分类和实例分割任务。YOLOv8 由 Ultralytics 开发,该公司还创建了具有影响力和行业定义的YOLOv5模型。与 YOLOv5 相比,YOLOv8 包含许多架构和开发人员体验变化和改进。
截至撰写本文时,YOLOv8 正在积极开发中,因为 Ultralytics 正在开发新功能并响应社区的反馈。事实上,当 Ultralytics 发布一个模型时,它会得到长期支持:该组织与社区合作,使模型达到最佳状态。
YOLO 如何发展成为 YOLOv8
YOLO (You Only Look Once)系列模型在计算机视觉领域已声名远扬。YOLO 的名声归功于它在保持较小模型尺寸的同时具有相当高的准确率。YOLO 模型可以在单个 GPU 上进行训练,这使得广泛的开发人员都可以使用它。机器学习从业者可以以低成本将其部署在边缘硬件或云端。
YOLO 自 2015 年由 Joseph Redmond 首次推出以来,一直受到计算机视觉社区的培育。在早期(版本 1-4),YOLO 在 Redmond 编写的名为Darknet的自定义深度学习框架中以 C 代码维护。
YOLOv5 在自行车上进行推断
YOLOv8 的作者、Ultralytics 的 Glenn Jocher在 PyTorch(Facebook 的深度学习框架)中影子化了 YOLOv3 仓库。随着影子仓库中的训练越来越好,Ultralytics 最终推出了自己的模型:YOLOv5。
YOLOv5 凭借其灵活的 Pythonic 结构迅速成为全球 SOTA 存储库。这种结构使社区能够发明新的建模改进,并使用类似的 PyTorch 方法在存储库中快速共享它们。
除了强大的模型基础之外,YOLOv5 维护者还致力于支持围绕该模型的健康软件生态系统。他们会根据社区需求积极解决问题并推动存储库的功能。
在过去的两年中,各种模型从 YOLOv5 PyTorch 存储库中分支出来,包括Scaled-YOLOv4、YOLOR和YOLOv7。其他模型也从基于 PyTorch 的实现中涌现出来,例如YOLOX和YOLOv6。在此过程中,每个 YOLO 模型都带来了新的 SOTA 技术,继续提高模型的准确性和效率。
在过去的六个月里,Ultralytics 致力于研究 YOLO 的最新 SOTA 版本 YOLOv8。YOLOv8 于 2023 年 1 月 10 日发布。
为什么要使用 YOLOv8?
以下是您应该考虑在下一个计算机视觉项目中使用 YOLOv8 的几个主要原因:
- YOLOv8 在微软 COCO和Roboflow 100测试中获得了较高的准确率。
- YOLOv8 具有许多方便开发人员的功能