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:

YOLOv8初体验:检测、跟踪、模型部署

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-SORTByteTrack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

YOLOv83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,h4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

YOLOv8初体验:检测、跟踪、模型部署

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:

YOLOv8初体验:检测、跟踪、模型部署

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

YOLOv8初体验:检测、跟踪、模型部署

导出onnx模型后,就能够用TensorRT进行布置了。怎么运用TensorRTC++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。

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:

模型 输入尺度 模型精度 耗时(ms)
yolov8n.onnx 640×640 FP32 7
yolov8s.onnx 640×640 FP32 12
yolov8m.onnx 640×640 FP32 29
yolov8l.onnx 640×640 FP32 52
yolov8x.onnx 640×640 FP32 83
yolov8n.onnx 640×640 FP16 4
yolov8s.onnx 640×640 FP16 7
yolov8m.onnx 640×640 FP16 14
yolov8l.onnx 640×640 FP16 25
yolov8x.onnx 640×640 FP16 40

YOLOv5测试成果:

模型 输入尺度 模型精度 耗时(ms)
yolov5n.onnx 640×640 FP32 7
yolov5s.onnx 640×640 FP32 10
yolov5m.onnx 640×640 FP32 21
yolov5l.onnx 640×640 FP32 41
yolov5x.onnx 640×640 FP32 76
yolov5n.onnx 640×640 FP16 5
yolov5s.onnx 640×640 FP16 6
yolov5m.onnx 640×640 FP16 11
yolov5l.onnx 640×640 FP16 21
yolov5x.onnx 640×640 FP16 38

从上面的测试成果来看,YOLOv8YOLOv5稍微慢一点点。