安裝
YOLOv8有兩種安裝方式，一種是直接用pip命令安裝：
pip install ultralytics
另外一種是通過源碼安裝：
git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e '.[dev]'
安裝完成后就可以通過yolo命令在命令行進(jìn)行使用了。
目標(biāo)檢測
使用YOLOv8進(jìn)行目標(biāo)檢測，可以使用下面的命令：
yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/bus.jpg imgsz=640 show=True save=True
如果模型權(quán)重不存在，程序會(huì)自動(dòng)從GitHub中下載。如果對(duì)命令行的參數(shù)不了解，可以參考官方文檔的說明，也可以直接看ultralytics代碼倉庫中的ultralytics/yolo/cfg/default.yaml文件，里面有所有參數(shù)的說明和默認(rèn)值。
上面的命令運(yùn)行成功后，帶檢測結(jié)果的圖片被保存到runs/detect/predict目錄下，如下圖所示：
跑視頻的效果可以看下面這個(gè)視頻：
用TensorRT部署的YOLOv8模型，來看看效果怎么樣
目標(biāo)跟蹤
YOLOv8目前支持BoT-SORT和ByteTrack兩種多目標(biāo)跟蹤算法，默認(rèn)的目標(biāo)跟蹤算法為BoT-SORT，使用方式如下：
yolo track model=yolov8n.pt source=test.avi show=True save=True
如果要使用ByteTrack跟蹤算法，可以添加命令行參數(shù)tracker=bytetrack.yaml。
下面的視頻是使用BoT-SORT算法的跟蹤效果，效果還是不錯(cuò)的。
YOLOv8+BoT-SORT目標(biāo)檢測與跟蹤
模型部署
如果要用TensorRT部署YOLOv8，需要先使用下面的命令將模型導(dǎo)出為onnx格式：
yolo export model=yolov8n.pt format=onnx opset=12
YOLOv8的3個(gè)檢測頭一共有80x80+40x40+20x20=8400個(gè)輸出單元格，每個(gè)單元格包含x,y,w,h這4項(xiàng)再加80個(gè)類別的置信度總共84項(xiàng)內(nèi)容，所以通過上面命令導(dǎo)出的onnx模型的輸出維度為1x84x8400。
這樣的通道排列順序有個(gè)問題，那就是后處理的時(shí)候會(huì)造成內(nèi)存訪問不連續(xù)。為了解決這個(gè)問題，我們可以修改一下代碼，具體做法是把ultralytics/nn/modules.py文件中的421行做如下修改，交換一下張量y的通道順序：
修改代碼后需要執(zhí)行前面的安裝命令pip install -e '.[dev]'使代碼生效。這樣修改后再執(zhí)行上面的模型導(dǎo)出命令，模型的輸出維度變?yōu)?code>1x8400x84。
導(dǎo)出onnx模型后，就可以用TensorRT進(jìn)行部署了。如何使用TensorRT的C++接口部署ONNX模型可以參考我之前給【自動(dòng)駕駛之心】公眾號(hào)寫的這篇文章：手把手教學(xué)！TensorRT部署實(shí)戰(zhàn)：YOLOv5的ONNX模型部署。
與YOLOv5相比，部署YOLOv8的不同之處就是做后處理解析模型輸出結(jié)果的時(shí)候不需要去解析objectness這項(xiàng)內(nèi)容了，其他都類似。
使用TensorRT框架在我的GeForce GTX 1650 Ti顯卡上部署YOLOv8的結(jié)果如下：
| 模型 | 輸入尺寸 | 模型精度 | 耗時(shí)（ms） |
|---|---|---|---|
| yolov8n.onnx | 640x640 | FP32 | 7 |
| yolov8s.onnx | 640x640 | FP32 | 12 |
| yolov8m.onnx | 640x640 | FP32 | 29 |
| yolov8l.onnx | 640x640 | FP32 | 52 |
| yolov8x.onnx | 640x640 | FP32 | 83 |
| yolov8n.onnx | 640x640 | FP16 | 4 |
| yolov8s.onnx | 640x640 | FP16 | 7 |
| yolov8m.onnx | 640x640 | FP16 | 14 |
| yolov8l.onnx | 640x640 | FP16 | 25 |
| yolov8x.onnx | 640x640 | FP16 | 40 |
YOLOv5測試結(jié)果：文章來源：http://www.zghlxwxcb.cn/news/detail-439220.html
| 模型 | 輸入尺寸 | 模型精度 | 耗時(shí)（ms） |
|---|---|---|---|
| yolov5n.onnx | 640x640 | FP32 | 7 |
| yolov5s.onnx | 640x640 | FP32 | 10 |
| yolov5m.onnx | 640x640 | FP32 | 21 |
| yolov5l.onnx | 640x640 | FP32 | 41 |
| yolov5x.onnx | 640x640 | FP32 | 76 |
| yolov5n.onnx | 640x640 | FP16 | 5 |
| yolov5s.onnx | 640x640 | FP16 | 6 |
| yolov5m.onnx | 640x640 | FP16 | 11 |
| yolov5l.onnx | 640x640 | FP16 | 21 |
| yolov5x.onnx | 640x640 | FP16 | 38 |
從上面的測試結(jié)果來看，YOLOv8比YOLOv5稍微慢一點(diǎn)點(diǎn)。文章來源地址http://www.zghlxwxcb.cn/news/detail-439220.html
到了這里，關(guān)于YOLOv8初體驗(yàn)：檢測、跟蹤、模型部署的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
![[C#]winform部署官方y(tǒng)olov8-obb旋轉(zhuǎn)框檢測的onnx模型](https://imgs.yssmx.com/Uploads/2024/01/808769-1.jpeg)
