YOLOv8:可用于目标检测、跟踪、实例分割、图像分类和姿态估计等任务，该项目集成 YOLOv8 模型，具备快速、准确、易用的特点，支持多场景应用，提供 CLI 和 Python 两种使用方式。【此简介由AI生成】

HuggingFace镜像/YOLOv8

Ultralytics YOLOv8 是一款尖端的、达到当前技术水平（SOTA）的模型。它在以往 YOLO 版本的成功基础上，引入了新的特性和改进，以进一步提升性能和灵活性。YOLOv8 设计初衷是实现快速、准确且易于使用的目标，使其成为众多任务的理想选择，包括目标检测与跟踪、实例分割、图像分类以及姿态估计。

我们希望这里的资源能帮助您充分发挥 YOLOv8 的潜力。详情请查阅 YOLOv8 文档，若需支持、有问题或想参与讨论，请在 GitHub 上提交 issue，也欢迎加入 Ultralytics Discord、Reddit 和论坛！

如需企业版授权，请填写 Ultralytics 授权表单。

YOLOv8 performance plots

文档

以下是快速安装和使用示例，有关训练、验证、预测和部署的完整文档，请参阅 YOLOv8 Docs。

安装

在 Python>=3.8 环境和 PyTorch>=1.8 中，通过 Pip 安装包含所有 requirements 的 ultralytics 包。

pip install ultralytics

有关其他安装方法，包括 Conda、Docker 和 Git，请参阅快速入门指南。

使用方法

命令行界面

YOLOv8 可直接在命令行界面 (CLI) 中使用 yolo 命令：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

yolo 可用于多种任务和模式，并接受额外参数，例如 imgsz=640。有关示例，请参阅 YOLOv8 CLI 文档。

Python

YOLOv8 也可直接在 Python 环境中使用，并接受与上述 CLI 示例中相同的参数：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Train the model
train_results = model.train(
    data="coco8.yaml",  # path to dataset YAML
    epochs=100,  # number of training epochs
    imgsz=640,  # training image size
    device="cpu",  # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu
)

# Evaluate model performance on the validation set
metrics = model.val()

# Perform object detection on an image
results = model("path/to/image.jpg")
results[0].show()

# Export the model to ONNX format
path = model.export(format="onnx")  # return path to exported model

更多示例请参见 YOLOv8 Python 文档。

模型

此处提供在 COCO 数据集上预训练的 YOLOv8 检测、分割和姿态估计模型，以及在 ImageNet 数据集上预训练的 YOLOv8 分类模型。跟踪模式适用于所有检测、分割和姿态估计模型。

所有模型在首次使用时会从最新的 Ultralytics 发布版本自动下载。

检测（COCO）

有关在 COCO 上训练的这些模型的使用示例，请参见检测文档，其中包含 80 个预训练类别。

模型	尺寸 ^（像素）	mAP^{验证集 50-95}	速度 ^{CPU ONNX （毫秒）}	速度 ^{A100 TensorRT （毫秒）}	参数 ^（百万）	计算量 ^（十亿）
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

mAP^验证集 值是在 COCO val2017 数据集上进行单模型单尺度评估的结果。
可通过 yolo val detect data=coco.yaml device=0 复现
速度是在 Amazon EC2 P4d 实例上对 COCO 验证集图像取平均值得到的。
可通过 yolo val detect data=coco.yaml batch=1 device=0|cpu 复现

分割（COCO）

有关在 COCO-Seg 上训练的这些模型的使用示例，请参见分割文档，其中包含 80 个预训练类别。

模型	尺寸 ^（像素）	mAP^{边界框 50-95}	mAP^掩码 50-95	速度 ^{CPU ONNX （毫秒）}	速度 ^{A100 TensorRT （毫秒）}	参数 ^（百万）	计算量 ^（十亿）
YOLOv8n-seg	640	36.7	30.5	96.1	1.21	3.4	12.6
YOLOv8s-seg	640	44.6	36.8	155.7	1.47	11.8	42.6
YOLOv8m-seg	640	49.9	40.8	317.0	2.18	27.3	110.2
YOLOv8l-seg	640	52.3	42.6	572.4	2.79	46.0	220.5
YOLOv8x-seg	640	53.4	43.4	712.1	4.02	71.8	344.1

mAP^验证集 值是在 COCO val2017 数据集上进行单模型单尺度评估的结果。
可通过 yolo val segment data=coco-seg.yaml device=0 复现
速度是在 Amazon EC2 P4d 实例上对 COCO 验证集图像取平均值得到的。
可通过 yolo val segment data=coco-seg.yaml batch=1 device=0|cpu 复现

姿态估计（COCO）

有关在 COCO-Pose 上训练的这些模型的使用示例，请参见姿态估计文档，其中包含 1 个预训练类别（人）。

模型	尺寸 ^（像素）	mAP^姿态 50-95	mAP^姿态 50	速度 ^{CPU ONNX （毫秒）}	速度 ^{A100 TensorRT （毫秒）}	参数 ^（百万）	计算量 ^（十亿）
YOLOv8n-pose	640	50.4	80.1	131.8	1.18	3.3	9.2
YOLOv8s-pose	640	60.0	86.2	233.2	1.42	11.6	30.2
YOLOv8m-pose	640	65.0	88.8	456.3	2.00	26.4	81.0
YOLOv8l-pose	640	67.6	90.0	784.5	2.59	44.4	168.6
YOLOv8x-pose	640	69.2	90.2	1607.1	3.73	69.4	263.2
YOLOv8x-pose-p6	1280	71.6	91.2	4088.7	10.04	99.1	1066.4

mAP^验证集 值是在 COCO Keypoints val2017 数据集上进行单模型单尺度评估的结果。
可通过 yolo val pose data=coco-pose.yaml device=0 复现
速度是在 Amazon EC2 P4d 实例上对 COCO 验证集图像取平均值得到的。
可通过 yolo val pose data=coco-pose.yaml batch=1 device=0|cpu 复现

有向边界框（DOTAv1）

有关在 DOTAv1 上训练的这些模型的使用示例，请参见有向边界框文档，其中包含 15 个预训练类别。

模型	尺寸 ^（像素）	mAP^测试集 50	速度 ^{CPU ONNX （毫秒）}	速度 ^{A100 TensorRT （毫秒）}	参数 ^（百万）	计算量 ^（十亿）
YOLOv8n-obb	1024	78.0	204.77	3.57	3.1	23.3
YOLOv8s-obb	1024	79.5	424.88	4.07	11.4	76.3
YOLOv8m-obb	1024	80.5	763.48	7.61	26.4	208.6
YOLOv8l-obb	1024	80.7	1278.42	11.83	44.5	433.8
YOLOv8x-obb	1024	81.36	1759.10	13.23	69.5	676.7

mAP^测试集 值是在 DOTAv1 数据集上进行单模型多尺度评估的结果。
可通过 yolo val obb data=DOTAv1.yaml device=0 split=test 复现，并将合并结果提交至 DOTA 评估。
速度是在 Amazon EC2 P4d 实例上对 DOTAv1 验证集图像取平均值得到的。
可通过 yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu 复现

分类（ImageNet）

有关在 ImageNet 上训练的这些模型的使用示例，请参见分类文档，其中包含 1000 个预训练类别。

模型	尺寸 ^（像素）	准确率 ^Top-1	准确率 ^Top-5	速度 ^{CPU ONNX （毫秒）}	速度 ^{A100 TensorRT （毫秒）}	参数 ^（百万）	计算量 ^{（十亿）@640}
YOLOv8n-cls	224	69.0	88.3	12.9	0.31	2.7	4.3
YOLOv8s-cls	224	73.8	91.7	23.4	0.35	6.4	13.5
YOLOv8m-cls	224	76.8	93.5	85.4	0.62	17.0	42.7
YOLOv8l-cls	224	78.3	94.2	163.0	0.87	37.5	99.7
YOLOv8x-cls	224	79.0	94.6	232.0	1.01	57.4	154.8

准确率值是模型在 ImageNet 数据集验证集上的准确率。
可通过 yolo val classify data=path/to/ImageNet device=0 复现
速度是在 Amazon EC2 P4d 实例上对 ImageNet 验证集图像取平均值得到的。
可通过 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu 复现

集成功能

我们与领先 AI 平台的关键集成扩展了 Ultralytics 产品的功能，增强了数据集标注、训练、可视化和模型管理等任务。了解 Ultralytics 如何与 Roboflow、ClearML、Comet、Neural Magic 和 OpenVINO 合作，优化您的 AI 工作流程。

Ultralytics active learning integrations

Roboflow	ClearML ⭐ 新增	Comet ⭐ 新增	Neural Magic ⭐ 新增
通过 Roboflow 直接标注自定义数据集并导出至 YOLOv8 进行训练	使用 ClearML（开源工具！）自动跟踪、可视化甚至远程训练 YOLOv8	永久免费的 Comet 可帮助您保存 YOLOv8 模型、恢复训练，以及交互式可视化和调试预测结果	通过 Neural Magic DeepSparse 可将 YOLOv8 推理速度提升高达 6 倍

Ultralytics HUB

借助 Ultralytics HUB ⭐ 体验无缝 AI，这是一款集数据可视化、YOLOv5 与 YOLOv8 🚀 模型训练及部署于一体的解决方案，全程无需编码。通过我们的尖端平台和用户友好的 Ultralytics App，轻松将图像转化为可执行洞察，让您的 AI 愿景轻松落地。立即免费开启您的 AI 之旅！

贡献

我们非常欢迎您的参与！没有社区的帮助，YOLOv5 和 YOLOv8 就不可能实现。请查看我们的贡献指南以开始贡献，并填写我们的调查问卷向我们反馈您的使用体验。感谢所有贡献者 🙏！

许可协议

Ultralytics 提供两种许可选项，以满足不同的使用场景：

AGPL-3.0 许可协议：此 OSI 批准的开源许可协议非常适合学生和爱好者，促进开放协作和知识共享。更多详情请参见 LICENSE 文件。
企业许可协议：专为商业用途设计，此许可允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，无需遵守 AGPL-3.0 的开源要求。如果您的场景涉及将我们的解决方案嵌入商业产品，请通过 Ultralytics 许可页面联系我们。

联系方式

有关Ultralytics的错误报告和功能需求，请访问GitHub Issues。欢迎加入Ultralytics的Discord、Reddit或论坛社区，在这里您可以提问、分享项目、参与学习讨论，或获取与Ultralytics相关的各类帮助！