README.zh-CN.md

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | हिन्दी | العربية

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

我们希望这里的资源能帮助您充分利用 YOLOv8。请浏览 YOLOv8 文档 了解详细信息，在 GitHub 上提交问题以获得支持，并加入我们的 Discord 社区进行问题和讨论！

如需申请企业许可，请在 Ultralytics Licensing 处填写表格

以下是提供的内容的中文翻译：

文档

请参阅下面的快速安装和使用示例，以及 YOLOv8 文档 上有关训练、验证、预测和部署的完整文档。

安装

使用Pip在一个Python>=3.8环境中安装ultralytics包，此环境还需包含PyTorch>=1.8。这也会安装所有必要的依赖项。

pip install ultralytics

如需使用包括Conda，Docker和Git在内的其他安装方法，请参考快速入门指南。

Usage

CLI

YOLOv8 可以在命令行界面（CLI）中直接使用，只需输入 yolo 命令：

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

yolo 可用于各种任务和模式，并接受其他参数，例如 imgsz=640。查看 YOLOv8 CLI 文档以获取示例。

Python

YOLOv8 也可以在 Python 环境中直接使用，并接受与上述 CLI 示例中相同的参数：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）

# 使用模型
model.train(data="coco8.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

查看 YOLOv8 Python 文档以获取更多示例。

笔记本

Ultralytics 提供了 YOLOv8 的交互式笔记本，涵盖训练、验证、跟踪等内容。每个笔记本都配有 YouTube 教程，使学习和实现高级 YOLOv8 功能变得简单。

文档	笔记本	YouTube
YOLOv8 训练、验证、预测和导出模式
Ultralytics HUB 快速开始
YOLOv8 视频中的多对象跟踪
YOLOv8 视频中的对象计数
YOLOv8 视频中的热图
Ultralytics 数据集浏览器，集成 SQL 和 OpenAI 🚀 New

模型

在COCO数据集上预训练的YOLOv8 检测，分割和姿态模型可以在这里找到，以及在ImageNet数据集上预训练的YOLOv8 分类模型。所有的检测，分割和姿态模型都支持追踪模式。

所有模型在首次使用时会自动从最新的Ultralytics 发布版本下载。

检测 (COCO)

查看检测文档以获取这些在COCO上训练的模型的使用示例，其中包括80个预训练类别。

模型	尺寸 (像素)	mAPval 50-95	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
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^val 值是基于单模型单尺度在 COCO val2017 数据集上的结果。
  通过 yolo val detect data=coco.yaml device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val detect data=coco.yaml batch=1 device=0|cpu 复现

检测（Open Image V7）

查看检测文档以获取这些在Open Image V7上训练的模型的使用示例，其中包括600个预训练类别。

模型	尺寸 (像素)	mAP验证 50-95	速度 CPU ONNX (毫秒)	速度 A100 TensorRT (毫秒)	参数 (M)	浮点运算 (B)
YOLOv8n	640	18.4	142.4	1.21	3.5	10.5
YOLOv8s	640	27.7	183.1	1.40	11.4	29.7
YOLOv8m	640	33.6	408.5	2.26	26.2	80.6
YOLOv8l	640	34.9	596.9	2.43	44.1	167.4
YOLOv8x	640	36.3	860.6	3.56	68.7	260.6

• mAP^验证 值适用于在Open Image V7数据集上的单模型单尺度。
  通过 yolo val detect data=open-images-v7.yaml device=0 以复现。
• 速度 在使用Amazon EC2 P4d实例对Open Image V7验证图像进行平均测算。
  通过 yolo val detect data=open-images-v7.yaml batch=1 device=0|cpu 以复现。

分割 (COCO)

查看分割文档以获取这些在COCO-Seg上训练的模型的使用示例，其中包括80个预训练类别。

模型	尺寸 (像素)	mAPbox 50-95	mAPmask 50-95	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
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^val 值是基于单模型单尺度在 COCO val2017 数据集上的结果。
  通过 yolo val segment data=coco-seg.yaml device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val segment data=coco-seg.yaml batch=1 device=0|cpu 复现

姿态 (COCO)

查看姿态文档以获取这些在COCO-Pose上训练的模型的使用示例，其中包括1个预训练类别，即人。

模型	尺寸 (像素)	mAPpose 50-95	mAPpose 50	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
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^val 值是基于单模型单尺度在 COCO Keypoints val2017 数据集上的结果。
  通过 yolo val pose data=coco-pose.yaml device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val pose data=coco-pose.yaml batch=1 device=0|cpu 复现

旋转检测 (DOTAv1)

查看旋转检测文档以获取这些在DOTAv1上训练的模型的使用示例，其中包括15个预训练类别。

模型	尺寸 (像素)	mAPtest 50	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
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^val 值是基于单模型多尺度在 DOTAv1 数据集上的结果。
  通过 yolo val obb data=DOTAv1.yaml device=0 split=test 复现
• 速度 是使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均计算的。
  通过 yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu 复现

分类 (ImageNet)

查看分类文档以获取这些在ImageNet上训练的模型的使用示例，其中包括1000个预训练类别。

模型	尺寸 (像素)	acc top1	acc top5	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B) at 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

• acc 值是模型在 ImageNet 数据集验证集上的准确率。
  通过 yolo val classify data=path/to/ImageNet device=0 复现
• 速度 是使用 Amazon EC2 P4d 实例对 ImageNet val 图像进行平均计算的。
  通过 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu 复现

集成

我们与领先的AI平台的关键整合扩展了Ultralytics产品的功能，增强了数据集标签化、训练、可视化和模型管理等任务。探索Ultralytics如何与Roboflow、ClearML、Comet、Neural Magic以及OpenVINO合作，优化您的AI工作流程。

Roboflow	ClearML ⭐ NEW	Comet ⭐ NEW	Neural Magic ⭐ NEW
使用 Roboflow 将您的自定义数据集直接标记并导出至 YOLOv8 进行训练	使用 ClearML（开源！）自动跟踪、可视化，甚至远程训练 YOLOv8	免费且永久，Comet 让您保存 YOLOv8 模型、恢复训练，并以交互式方式查看和调试预测	使用 Neural Magic DeepSparse 使 YOLOv8 推理速度提高多达 6 倍

Ultralytics HUB

体验 Ultralytics HUB ⭐ 带来的无缝 AI，这是一个一体化解决方案，用于数据可视化、YOLOv5 和即将推出的 YOLOv8 🚀 模型训练和部署，无需任何编码。通过我们先进的平台和用户友好的 Ultralytics 应用程序，轻松将图像转化为可操作的见解，并实现您的 AI 愿景。现在就开始您的免费之旅！

贡献

我们喜欢您的参与！没有社区的帮助，YOLOv5 和 YOLOv8 将无法实现。请参阅我们的贡献指南以开始使用，并填写我们的调查问卷向我们提供您的使用体验反馈。感谢所有贡献者的支持！🙏

许可证

Ultralytics 提供两种许可证选项以适应各种使用场景：

• AGPL-3.0 许可证：这个OSI 批准的开源许可证非常适合学生和爱好者，可以推动开放的协作和知识分享。请查看LICENSE 文件以了解更多细节。
• 企业许可证：专为商业用途设计，该许可证允许将 Ultralytics 的软件和 AI 模型无缝集成到商业产品和服务中，从而绕过 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到商业产品中，请通过 Ultralytics Licensing与我们联系。

联系方式

对于 Ultralytics 的错误报告和功能请求，请访问 GitHub Issues，并加入我们的 Discord 社区进行问题和讨论！