YOLOv8初体验：检测、跟踪、模型部署

本文正在参加 人工智能创作者扶持方案

装置

YOLOv8有两种装置方法，一种是直接用pip指令装置：

pip install ultralytics

另外一种是经过源码装置：

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e '.[dev]'

装置完成后就能够经过yolo指令在指令跋涉行运用了。

方针检测

运用YOLOv8进行方针检测，能够运用下面的指令：

yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/bus.jpg imgsz=640 show=True save=True

假如模型权重不存在，程序会主动从GitHub中下载。假如对指令行的参数不了解，能够参考官方文档的阐明，也能够直接看ultralytics代码库房中的ultralytics/yolo/cfg/default.yaml文件，里面有一切参数的阐明和默许值。

上面的指令运转成功后，带检测成果的图片被保存到runs/detect/predict目录下，如下图所示：

跑视频的作用能够看下面这个视频：

用TensorRT布置的YOLOv8模型，来看看作用怎么样

方针盯梢

YOLOv8现在支持BoT-SORT和ByteTrack两种多方针盯梢算法，默许的方针盯梢算法为BoT-SORT，运用方法如下：

yolo track model=yolov8n.pt source=test.avi show=True save=True

假如要运用ByteTrack盯梢算法，能够添加指令行参数tracker=bytetrack.yaml。

下面的视频是运用BoT-SORT算法的盯梢作用，作用仍是不错的。

YOLOv8方针检测+BoT-SORT方针盯梢

模型布置

假如要用TensorRT布置YOLOv8，需求先运用下面的指令将模型导出为onnx格式：

yolo export model=yolov8n.pt format=onnx opset=12

YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格，每个单元格包含x,y,w,h这4项再加80个类别的置信度一共84项内容，所以经过上面指令导出的onnx模型的输出维度为1x84x8400。

这样的通道摆放次序有个问题，那便是后处理的时分会形成内存拜访不连续。为了解决这个问题，咱们能够修正一下代码，具体做法是把ultralytics/nn/modules.py文件中的421行做如下修正，交流一下张量y的通道次序：

修正代码后需求执行前面的装置指令pip install -e '.[dev]'使代码生效。这样修正后再执行上面的模型导出指令，模型的输出维度变为1x8400x84。

导出onnx模型后，就能够用TensorRT进行布置了。怎么运用TensorRT的C++接口布置ONNX模型能够参考我之前给【主动驾驶之心】大众号写的这篇文章：手把手教学！TensorRT布置实战：YOLOv5的ONNX模型布置。

与YOLOv5比较，布置YOLOv8的不同之处便是做后处理解析模型输出成果的时分不需求去解析objectness这项内容了，其他都相似。

运用TensorRT框架在我的GeForce GTX 1650 Ti显卡上布置YOLOv8的成果如下：

YOLOv5测试成果：

从上面的测试成果来看，YOLOv8比YOLOv5稍微慢一点点。