Knowledgebase的博客

性能：平均精度（mAP） 速度：推理速度（以fps为单位） 计算（成本）：模型的 FLOPs 和参数量 在五种模型尺寸的目标检测比较中，YOLOv8m 模型在 COCO 数据集上达到了 50.2% 的 mAP，而最大的模型 YOLOv8x 则达到了 53.9%，参数数量超过两倍。在本文中，我们概述了YOLO的演变，从YOLOv1到YOLOv8，并讨论了它的网络架构、新特性和应用。YOLOv3 相较于前代的主要改进在于使用了 Darknet-53 架构，这是专门为目标检测设计的 ResNet 架构的变体。

适当的边界框被选择为与实际边界框和锚框之间的IOU最高的边界框。请注意，负责预测实际标签的锚框被选择为当放置在实际边界框的中心时，IOU最大的框，也就是在分配实际边界框时只考虑了尺寸。选择较多的先验框将允许更大的锚框与边界框之间的重叠，但随着锚框数量的增加，预测滤波器中的卷积滤波器数量将线性增加。因此计算出的锚框不会忽略较小的边界框，并确保生成的锚框与实际边界框之间具有较高的IOU。下面的图示展示了一个行人的边界框，请注意边界框的形状非常接近实际的行人形状，对边界框位置进行轻微修正将导致它们很好地重叠。

YOLOv2进行了5次预测，对应于中心位置（x和y）、高度和宽度的修正，以及预测的边界框与实际边界框之间的交并比（IOU）。YOLOv2的一个独特特点是，所有的预测都具有小于1的幅度，因此一个类型的成本支配优化的机会不太可能发生。下图展示了kitti数据集中的一幅代表性图像，在kitti数据集中，每个图像的尺寸为1242 X 375，总共有大约7400幅图像，约有25000个标注。在kitti中，图像按照不同的难度级别进行组织，图像具有各种在更真实的数据集中可能遇到的问题。2. 探索性数据分析（EDA）

要使用YOLOv8，您需要一台带有GPU的计算机，深度学习框架支持（如PyTorch或TensorFlow），以及访问YOLOv8的GitHub。Encord集成了最新的YOLOv8先进模型，使您能够在YOLOv8模型的基础上训练微型模型，以支持您的AI辅助标注工作。是的，YOLOv8的代码库是开源的，并可在GitHub上用于研究和开发目的，可以在此处找到。是的，可以在自定义数据集上对YOLOv8进行微调，以增加其针对特定目标检测任务的准确性。在准确性方面，YOLOv8与其他目标检测模型相比如何？

YOLOv8的另一个有趣的应用是将其作为对象检测器，以加速您的标注工作流程。Encord Annotate支持一种基于微型模型的新方法，这些微型模型是有意过度拟合的模型，仅针对少数标签进行训练，用于特定的用例。在平台上，您导航到模型选项卡，并启动具有YOLOv8骨干（用于过度拟合的对象检测模型）的微型模型的训练。对您本体中定义的任何自定义对象的20个样本进行标注（在本示例中，我们将使用Airbus飞机检测数据集中的飞机作为示例）。在模型在您的初始样本上进行训练的同时，请等待几分钟。

YOLOv8的注释格式是一种简单的格式，与YOLOv5 PyTorch的TXT注释格式相同，是Darknet注释格式的修改版本。data.yaml文件包含了模型用于定位图像并将类别名称映射到类别ID的信息。每个图像样本都有一个.txt文件，每个边界框对应一行。类别标识符 center_x center_y 宽度 高度。请注意，每个字段之间用空格分隔，坐标值被归一化为从零到一。

除了CLI之外，YOLOv8还作为一个PIP包进行分发，非常适合所有Python环境。这使得本地开发有点困难，但可以在Python代码中充分利用YOLOv8的所有可能性。访问YOLO模型的另一种方式是通过OpenCV、Ultralytics的Google Colab笔记本，以及通过Keras API和Tensorflow 2。YOLOv8可以通过命令行界面（CLI）轻松访问，并用于任何类型的数据集。模型可以是未初始化的.yaml文件或以前训练的.pt文件。如何使用YOLOv8的CLI？

让我们来看看如何在工作流程中使用和实现YOLOv8。在下一节中，我们将介绍如何通过命令行界面（CLI）、Python、环境，以及最后在Encord的平台中访问YOLO。2. 基于ImageNet数据集预训练的图像分类模型，图像分辨率为224。1. 基于COCO分割数据集训练的实例分割模型，图像分辨率为640。3. 基于COCO检测数据集训练的目标检测模型，图像分辨率为640。

网络输出每个铺设的框的概率和背景、IoU（交并比）以及偏移量等属性，这些属性用于调整锚点框。锚点框是一组预定义的具有特定高度和宽度的框，用于检测具有所需比例和长宽比的物体类别。它们是根据训练数据集中物体的大小而选择的，并在检测过程中铺设在图像上。无锚点检测的优势在于它更加灵活和高效，因为它不需要手动指定锚点框，而在以前的YOLO模型中，如v1和v2，选择锚点框可能会很困难，并导致结果不够优化。无锚点检测是指目标检测模型直接预测物体的中心，而不是相对于已知锚点框的偏移量。幸运的是，我们不再需要锚点框。

因此，我们目前没有关于创建过程中使用的方法的详细概述，也无法访问团队进行的消融研究。一旦发布，我们将发布更新版本。实际发布的论文尚未发布，但YOLOv8的创作者承诺将很快发布（以避免YOLOv5周围的争议）。下面的布局由GitHub上的RangeKing制作，是可视化架构的一个很好的方式。我们不会过多详细介绍YOLOv8的架构，但我们将介绍与之前版本的一些主要区别。幸运的是，我们可以在网上和GitHub存储库中找到大量信息。

对于5个模型尺寸的目标检测比较，YOLOv8m模型在COCO数据集上实现了50.2%的mAP，而最大的模型YOLOv8x则实现了53.9%的mAP，参数数量超过两倍。Ultralytics团队再次在COCO数据集上对YOLOv8进行了基准测试，并与之前的YOLO版本相比，在所有五个模型尺寸上取得了令人印象深刻的结果。无论你是想在商业产品中实现目标检测，还是只是想尝试最新的计算机视觉技术，YOLOv8都是一个应该考虑的尖端模型。计算（成本）：模型的FLOPs和参数大小。接下来，我们将分析该模型的架构和设计。

4. YOLO社区非常强大，只需搜索任何版本的YOLO模型，你会找到数百个教程、视频和文章。此外，你可以随时在MLOps社区、DCAI等社区找到所需的帮助。目前，YOLOv8不支持在1280像素分辨率下训练的模型，因此如果你希望在高分辨率下运行推理，不建议使用YOLOv8。2. 最新的YOLOv8实现带来了许多新功能，尤其我们喜欢用户友好的命令行界面和GitHub存储库。5. YOLOv8的训练可能比其他两阶段目标检测模型更快。1. YOLOv8的准确性比之前的YOLO模型更高。

由于其灵活的Pythonic结构，YOLOv5在2020年成为了全球最先进的目标检测库，并且还是Encord用于模型辅助学习的第一个模型。YOLOv4由Bochkovskiy等人于2020年发布，相对于YOLOv3引入了多项改进，包括新的骨干网络、训练过程的改进以及模型容量的增加。Feature Pyramid Networks（FPN）和GHM损失函数的使用，以及更广泛的对象尺寸和长宽比范围，提高了准确性和稳定性，也是YOLO v3的特点。然而，与当时的一些两阶段模型相比，它的准确性不如人意。

在本文中，我们将专注于YOLOv8，这是由Ultralytics开发的YOLO系统的最新版本。此外，我们将提供关于如何使用YOLOv8的逐步指南，以及如何使用它来创建Encord Annotate的模型辅助标注。与两阶段检测模型（如R-CNN）不同，后者首先提出感兴趣区域，然后对这些区域进行分类，YOLO在单次传递中处理整个图像，因此更快速和高效。来源：Pjreddie。我们的系统（1）将输入图像调整为448×448，（2）在图像上运行单个卷积网络，然后（3）通过模型的置信度对生成的检测结果进行阈值处理。