1.简介
YOLOv8是Ultralytics的最新版本YOLO。作为最先进的 SOTA 模型，YOLOv8 建立在以前版本成功的基础上，引入了新功能和改进，以增强性能、灵活性和效率。YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿势估计、跟踪和分类。这种多功能性使用户能够在不同的应用程序和域中利用YOLOv8的功能。模型中只需要设定不同的训练模型，就可以得到不同的检测结果。
本文主要介绍如何使用该模型框架进行CV中各种任务的推理使用，包含检测、分割、姿势估计、跟踪，关于模型的训练等相关内容，后续有空再进行更新，感兴趣的小伙伴，可以点赞关注我~谢谢
2.环境安装
2.1安装torch相关库
安装命令：
pip install torch torchvision torchaudio
2.2 获取yolov8最新版本，并安装依赖
通过克隆仓库到本地来获得yolov8最新版本。
安装依赖环境：
pip install ultralytics
3. 如何使用模型用于各种CV任务
安装好yolov8需要的运行环境之后，就可以直接使用模型了，目前，该模型可以直接用于检测、分割、姿势估计、跟踪和分类这5类检测任务。
支持两种运行方式：
方式一：命令行形式示例
yolo TASK MODE ARGS 举例： yolo detect predict model=yolov8n.pt source='1.jpg' 表示对图片1.jpg进行目标检测
参数说明：
TASK (optional) 表示模型任务类型，可以从列表 [detect, segment, classify, pose]选一个. 分别代表检测、分割、分类、姿态检测任务
MODE (required) 表示模型需要执行的操作，可以从列表 [train, val, predict, export, track, benchmark]选一个，分别代表训练、验证、预测、模型转换、追踪、基准模型评估
ARGS (optional) 表示其他的一些参数设置，后面详细说明
方式二：python代码形式示例
from ultralytics import YOLO # 加载预训练模型， model = YOLO('yolov8n.pt',task='detect') # yolov8n.pt表示预训练模型 # task代表需要执行的任务：detect, segment, classify, pose # 使用模型进行指定任务 results = model(ARGS)
3.1 目标检测任务实现
检测图片代码
from ultralytics import YOLO import cv2 # 加载预训练模型 model = YOLO("yolov8n.pt", task='detect') # model = YOLO("yolov8n.pt") task参数也可以不填写，它会根据模型去识别相应任务类别 # 检测图片 results = model("./ultralytics/assets/bus.jpg") res = results[0].plot() cv2.imshow("YOLOv8 Inference", res) cv2.waitKey(0)
检测视频代码
import cv2 from ultralytics import YOLO # Load the YOLOv8 model model = YOLO('yolov8n.pt') print('111') # Open the video file video_path = "1.mp4" cap = cv2.VideoCapture(video_path) # Loop through the video frames while cap.isOpened(): # Read a frame from the video success, frame = cap.read() if success: # Run YOLOv8 inference on the frame results = model(frame) # Visualize the results on the frame annotated_frame = results[0].plot() # Display the annotated frame cv2.imshow("YOLOv8 Inference", annotated_frame) # Break the loop if 'q' is pressed if cv2.waitKey(1) & 0xFF == ord("q"): break else: # Break the loop if the end of the video is reached break # Release the video capture object and close the display window cap.release() cv2.destroyAllWindows()
3.2 分割任务实现
分割图片代码
from ultralytics import YOLO import cv2 # Load a model model = YOLO('yolov8n-seg.pt') # Predict with the model results = model('./ultralytics/assets/bus.jpg') # predict on an image res = results[0].plot(boxes=False) #boxes=False表示不展示预测框，True表示同时展示预测框 # Display the annotated frame cv2.imshow("YOLOv8 Inference", res) cv2.waitKey(0)
分割视频代码
import cv2 from ultralytics import YOLO # Load the YOLOv8 model model = YOLO('yolov8n-seg.pt', task='segment') # Open the video file video_path = "1.mp4" cap = cv2.VideoCapture(video_path) # Loop through the video frames while cap.isOpened(): # Read a frame from the video success, frame = cap.read() if success: # Run YOLOv8 inference on the frame results = model(frame) # Visualize the results on the frame annotated_frame = results[0].plot() # annotated_frame = results[0].plot(boxes=False)不显示预测框 # Display the annotated frame cv2.imshow("YOLOv8 Inference", annotated_frame) # Break the loop if 'q' is pressed if cv2.waitKey(1) & 0xFF == ord("q"): break else: # Break the loop if the end of the video is reached break # Release the video capture object and close the display window cap.release() cv2.destroyAllWindows()
显示预测框结果
不显示预测框结果
将代码中的boxes设为False即可：
annotated_frame = results[0].plot(boxes=False)
【超详细】【YOLOV8使用说明】一套框架解决CV的5大任务：目标检测、分割、姿势估计、跟踪和分类任务【含源码】（2）https://developer.aliyun.com/article/1536305
