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：
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 rememberedyolo 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:
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。
文章出处登录后可见！
