yolov8 框架自带模型体验页面

最新推荐文章于 2025-08-05 17:55:54 发布
转载 最新推荐文章于 2025-08-05 17:55:54 发布 · 35 阅读 · 0
文章标签：

#YOLO

1|0简介

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务。

YOLOv8 是一个 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。在图像检测识别领域yolov8和yolov5是使用较多的两款框架，兼顾精度和速度。

本文讲解yolov8自带的一个实时目标检测页面的使用。页面如下，可以在页面上体验yolov8上所有的模型，包括目标检测、分类、分割、姿态、定向框。

2|0安装
  1. 创建虚拟环境

conda create --name yolov8 python=3.10 -y

conda activate yolov8

  1. 安装pytorch

conda install pytorch2.2.0 torchvision0.17.0 torchaudio==2.2.0 pytorch-cuda=12.1 -c pytorch -c nvidia

由于numpy版本会导致报错，需要降低numpy版本

conda install numpy==1.26.2

  1. 下载工程

git clone --branch v8.2.103 https://github.com/ultralytics/ultralytics.git

使用 --branch v8.2.103 选择yolov8版本

  1. 安装工程

pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

  1. 测试推理

yolo predict model=yolov8n.pt source='ultralytics/assets/zidane.jpg' device=0

   

    

     
      
      yolo predict model
      =
      yolov8n
      .
      pt source
      =
      'ultralytics/assets/zidane.jpg'
       device
      =
      0
      

      
      Ultralytics
       
      YOLOv8
      .
      2.103
       
      🚀
       
      Python
      -
      3.10
      .
      16
       torch
      -
      2.2
      .
      0
       CUDA
      :
      0
       
      (
      NVIDIA 
      GeForce
       RTX 
      2080
       
      Ti
      ,
       
      11004MiB
      )
      

      
      YOLOv8n
       summary 
      (
      fused
      ):
       
      168
       layers
      ,
       
      3
      ,
      151
      ,
      904
       parameters
      ,
       
      0
       gradients
      ,
       
      8.7
       
      GFLOPs
      

      
      

      
      image 
      1
      /
      1
       
      /
      nfs
      /
      user_home
      /
      lijinkui
      /
      projects
      /
      ultralytics
      /
      ultralytics
      /
      assets
      /
      zidane
      .
      jpg
      :
       
      384x640
       
      2
       persons
      ,
       
      1
       tie
      ,
       
      86.8ms
      

      
      Speed
      :
       
      7.0ms
       preprocess
      ,
       
      86.8ms
       inference
      ,
       
      209.4ms
       postprocess per image at shape 
      (
      1
      ,
       
      3
      ,
       
      384
      ,
       
      640
      )
      

      
      Results
       saved to runs
      /
      detect
      /
      predict

      
      💡
       
      Learn
       more at https
      :
      //docs.ultralytics.com/modes/predict

推理结果在：Results saved to runs/detect/predict

到此为止就说明yolov8安装没有问题了。

3|0训练

使用官方数据测试训练：

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 imgsz=640

4|0页面展示

yolov8自带一个推理的前端页面，下面说明开启的步骤。

首先使用 yolo help 这个命令查看yolo的帮助信息

   

    

     
      
      (
      yolov8
      )
       lijinkui@node07
      :~/
      $ yolo help

      
      

      
          
      Arguments
       received
      :
       
      [
      'yolo'
      ,
       
      'help'
      ].
       
      Ultralytics
       
      'yolo'
       commands 
      use
       the following syntax
      :
      

      
      

      
              yolo TASK MODE ARGS

      
      

      
              
      Where
         TASK 
      (
      optional
      )
       
      is
       one 
      of
       
      {
      'segment'
      ,
       
      'detect'
      ,
       
      'classify'
      ,
       
      'pose'
      ,
       
      'obb'
      }
      

      
                      MODE 
      (
      required
      )
       
      is
       one 
      of
       
      {
      'predict'
      ,
       
      'val'
      ,
       
      'train'
      ,
       
      'export'
      ,
       
      'track'
      ,
       
      'benchmark'
      }
      

      
                      ARGS 
      (
      optional
      )
       are any number 
      of
       custom 
      'arg=value'
       pairs like 
      'imgsz=320'
       that 
      override
       defaults
      .
      

      
                          
      See
       all ARGS at https
      :
      //docs.ultralytics.com/usage/cfg or with 'yolo cfg'
      

      
      

      
          
      1.
       
      Train
       a detection model 
      for
       
      10
       epochs 
      with
       an initial learning_rate 
      of
       
      0.01
      

      
              yolo train data
      =
      coco8
      .
      yaml model
      =
      yolov8n
      .
      pt epochs
      =
      10
       lr0
      =
      0.01
      

      
      

      
          
      2.
       
      Predict
       a 
      YouTube
       video 
      using
       a pretrained segmentation model at image size 
      320
      :
      

      
              yolo predict model
      =
      yolov8n
      -
      seg
      .
      pt source
      =
      'https://youtu.be/LNwODJXcvt4'
       imgsz
      =
      320
      

      
      

      
          
      3.
       
      Val
       a pretrained detection model at batch
      -
      size 
      1
       
      and
       image size 
      640
      :
      

      
              yolo val model
      =
      yolov8n
      .
      pt data
      =
      coco8
      .
      yaml batch
      =
      1
       imgsz
      =
      640
      

      
      

      
          
      4.
       
      Export
       a 
      YOLOv8n
       classification model to ONNX format at image size 
      224
       
      by
       
      128
       
      (
      no
       TASK required
      )
      

      
              yolo 
      export
       model
      =
      yolov8n
      -
      cls
      .
      pt format
      =
      onnx imgsz
      =
      224
      ,
      128
      

      
      

      
          
      5.
       
      Explore
       your datasets 
      using
       semantic search 
      and
       SQL 
      with
       a simple GUI powered 
      by
       
      Ultralytics
       
      Explorer
       API

      
              yolo explorer data
      =
      data
      .
      yaml model
      =
      yolov8n
      .
      pt

      
          

      
          
      6.
       
      Streamlit
       real
      -
      time webcam inference GUI

      
              yolo streamlit
      -
      predict

      
              

      
          
      7.
       
      Run
       special commands
      :
      

      
              yolo help

      
              yolo checks

      
              yolo version

      
              yolo settings

      
              yolo copy
      -
      cfg

      
              yolo cfg

      
      

      
          
      Docs
      :
       https
      :
      //docs.ultralytics.com
      

      
          
      Community
      :
       https
      :
      //community.ultralytics.com
      

      
          
      GitHub
      :
       https
      :
      //github.com/ultralytics/ultralytics

可以看到yolo出来训练，推理等任务之后还有两个功能，分别是5和6。其中6就是一个可以在前端推理的功能。

启动推理功能，这里需要魔法，从github下载推理模型。或者下载好放在跟目录下也行

   

    

     
      
      yolo streamlit
      -
      predict

打开浏览器页面

参数包括：

  • Video: 选择推理源摄像头或视频
  • Model: 选择模型，yolov8的所有模型都能选择，包括检测、分类、分割、姿态、角度，甚至yolo-word
  • Classes: 选择推理的类别
  • 下面还有置信度控制。

点击Start就可以看到推理结果了。

5|0演示视频

检测：

分割：

姿态：

角度：


__EOF__

本文作者： goldsunshine
本文链接： https://www.cnblogs.com/goldsunshine/p/18834283.html
关于博主：评论和私信会在第一时间回复。或者 直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角 【推荐】一下。您的鼓励是博主的最大动力！
原创作者: goldsunshine 转载于: https://www.cnblogs.com/goldsunshine/p/18834283
祝峰
关注
手把书教你使用YOLOv8推理自己的模型或官网模型
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-07 3591
YOLOv8 是由Ultralytics团队开发的，2023 年发布。YOLO系列模型以其快速和准确的目标检测能力而闻名，并且YOLOv8继承了前几代YOLO模型的优点，同时进行了多方面的改进和优化，以提高检测性能和效率。YOLOv8 常用于目标检测、分割、关键点检测和分类。
【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-06 4286
在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。
yolov8官方代码训练模型（coco数据集和voc数据集训练）+onnx模型预测
m0_63493883的博客
12-04 1万+
根据官方的解释，pip 的 ultralytics 库包含了 requirements.txt中的所有库。windows11 和 Ubuntu20.04（建议使用 Linux 系统）首先切换到自己建立的虚拟环境安装 pytorch。参照官网，直接使用以下语句即可导入项目所需要的库。train 和 val 的路径就这样写。2.3 yaml文件。
YOLOv8 网络结构 + 训练推理全流程详解（入门到部署）
guoguozgw的博客
06-25 1430
输出层级特征图尺寸输出通道数P3/880×80无（anchor-free）或默认 anchor84（4+1+80）P4/1640×40anchor-free 或 COCO 默认 anchor84P5/3220×20anchor-free 或 COCO 默认 anchor84✅ 注：YOLOv8 默认使用 anchor-free 模式（如 yolov8n/s/m/l/x），也可切换回 anchor-based。模块内容✅ 主干网络✅ Neck 结构。
YOLOv8官方教程：如何训练模型
整理ing
10-26 1万+
YOLOv8如何在单GPU、多GPU和Apple设备上训练模型。
官方正品 | Ultralytics YOLOv8算法来啦（尖端SOTA模型）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
01-10 5万+
🚀🚀YOLOv8 是 Ultralytics 开发的 YOLO（You Only Look Once）物体检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。
YOLOv8 深度详解！一文看懂，快速上手
爱编程的鱼的博客
06-02 1475
提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于YOLACT的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。
树莓派中用YoloV8模型检测小车.pdf
06-11
**树莓派中用YoloV8模型检测小车**这一主题主要涉及了如何利用树莓派（Raspberry Pi）这款微型计算机与先进的目标检测模型YOLOv8（You Only Look Once version 8）来实现对于移动小车上的目标检测任务。这种应用不仅...
yolov12模型权重文件
02-25
YOLOv12模型权重文件包含了针对不同模型规模的预训练权重，从n到x的不同后缀，代表了模型从小型到大型的版本。...下载这些文件后，可以通过深度学习框架如PyTorch加载并应用到YOLOv12模型中，进行图像目标检测的任务。
模型实战（20）之 yolov8分类模型训练自己的数据集
yohnyang的博客
05-27 1568
模型实战（19）之 yolov8分类模型训练自己的数据集
YOLOv8 分类模型用 onnx 推理的前处理
qq_39443083的博客
07-08 1400
在使用 YOLOv8 的训练框架完成分类任务的模型训练后，使用 ultralytics 导出 onnx 模型，在其他设备或环境下进行推理时，需要补充 YOLOv8 的分类前处理，确保推理结果和训练结果一致。
Official YOLOv8模型训练和部署
04-09
yolov8 Official YOLOv8模型训练和部署 1. pth模型转onnx ```shell #CLI yolo task=detect mode=export model=./runs/detect/train/weights/last.pt format=onnx simplify=True opset=13 # python from ultralytics import YOLO model = YOLO("./runs/detect/train/weights/last.pt ") # load a pretrained YOLOv8n model model.export(format="onnx") # export the model to ONNX format ``` 2. 增加NMS Plugin 执行`tensorrt/`下的如下代码，添加NMS到YOLOv8模型 + 添加后处理 ```shell python3 yolov8_add_postprocess.py ``` + 添加NMS plugin
YOLOv8目标检测模型介绍
huanghm88的专栏
11-06 1473
YOLOv8 是 Ultralytics 公司在 2023 年推出的目标检测模型。以下是关于它的一些主要信息：总之，YOLOv8 是一款性能优异、功能强大的目标检测模型，在计算机视觉领域有着广泛的应用前景。以下是一个使用 YOLOv8 进行目标检测的简单项目示例，这里以检测图像中的常见物体为例。 下载预训练模型权重 YOLOv8 有不同尺寸的预训练模型（如 、 等），这里假设使用最小的 。可以从 Ultralytics 的官方网站或者使用代码自动下载。 代码示例 以下是一个简单的 Python 代码，用
YOLOV8模型训练+部署（实战）
热门推荐
AI小花猫的博客
06-07 7万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
YOLOv8模型部署：将你的模型应用于实际场景
AI大模型应用之禅
05-25 1325
YOLOv8模型部署：将你的模型应用于实际场景 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 目标检测的重要性 目标检测是计算机视觉领域的一个核心问题,在安防监控、无人驾驶、工业自动化等众多领域有着广泛
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
FL1623863129的博客
08-03 743
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
YOLO12 改进、魔改｜多尺度线性注意力MSLA ，通过融合多尺度局部特征与线性自注意力机制，提高小目标、多尺度目标的检测 分割能力
qq_64693987的博客
08-05 589
本文提出了一种多尺度线性注意力机制(MSLA)，旨在解决卷积神经网络(CNN)和Transformer在视觉任务中的固有缺陷。MSLA通过并行多尺度卷积分支提取局部特征，结合线性注意力机制实现高效全局建模，最后融合多尺度特征输出。该方法在目标检测中能有效处理多尺度目标，在分割任务中可同时保留细节和语义信息。文章还介绍了将MSLA集成到YOLOv12模型的具体实现步骤，包括核心代码结构、模型配置及训练方法，在保持实时性的同时提升了复杂场景下的检测性能。实验结果表明，MSLA在多尺度视觉任务中具有显著优势。
票据识别(Yolo + OCR）【过程清晰，简单美好】
最新发布
天道哥哥的博客
08-05 268
本文介绍了一个基于Pytorch的票据识别项目，包含完整处理流程和核心实现。项目采用YOLO进行票据类型分类和文本框检测，结合PaddleOCR完成文本识别。重点展示了图像预处理技术，包括Deblur去模糊、对比度增强和文本框预处理等关键步骤，提供了完整的代码实现。项目结构清晰，支持自定义数据集标注，并分析了影响识别准确率的主要因素。该方案可作为票据识别的基础框架，后续可通过学习率优化、模型剪枝等技术进一步提升性能。
yolov8如何训练模型
12-27
创建并激活一个新的Conda环境后，通过pip工具安装`ultralytics`库，这是官方支持的YOLOv8实现框架。 ```bash conda create -n yolov8 python=3.9 conda activate yolov8 pip install ultralytics ``` #### 数据...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值