【玩转全栈】---基于YOLO8的图片、视频目标检测
本篇主要讲YOLO8的具体操作，想要了解YOLO的具体原理，可以去官网查询
目录
下载ultralytics库
开始检测
介绍
YOLOv8（You Only Look Once Version 8）是 YOLO 系列的最新版本，由 Ultralytics 开发并发布，是一种实时目标检测算法。相比之前的版本，YOLOv8 提供了更高的精度和更快的推理速度，同时支持目标检测、图像分割和姿态估计等任务。它采用了模块化设计，结合更先进的网络结构和训练技术，例如动态标签分配和改进的损失函数，从而提升了模型性能和泛化能力。此外，YOLOv8 兼容 PyTorch 框架，支持灵活的模型大小调整和迁移学习，适合在不同硬件设备（如 GPU、CPU）上运行。其用户友好的 API 和详细的文档使得开发者能够轻松集成和部署 YOLOv8，在安防监控、自动驾驶、智能零售等领域具有广泛应用。
YOLOv8 与 YOLOv5 比较
| 特性 | YOLOv8 | YOLOv5 |
|---|---|---|
| 发布时间 | 2023 年 | 2020 年 |
| 核心功能 | 目标检测、图像分割、姿态估计 | 目标检测 |
| 模型结构 | 使用全新的架构，优化模块化设计，支持更高效的推理 | CSPNet 架构，较传统但已优化 |
| 性能 | 更高的 mAP 精度和推理速度 | 性能优秀，但不如 YOLOv8 |
| 任务支持 | 多任务（检测、分割、姿态估计） | 仅支持目标检测 |
| 训练优化 | 动态标签分配、改进的损失函数 | 使用固定标签分配方式，损失函数为 BCE+IoU |
| 部署灵活性 | 支持 ONNX、TensorRT、CoreML、OpenVINO 等主流推理框架 | 支持 ONNX 和 TensorRT，灵活性稍低 |
| 代码简洁性 | 更直观的 API 和模块化设计，易于扩展和使用 | 代码清晰，但接口较 YOLOv8 略显复杂 |
| 兼容性 | 向下兼容 YOLOv5 数据集格式 | 原生支持 YOLO 数据格式 |
| 适用场景 | 更广泛（如精细分割、人体姿态估计） | 目标检测为主 |
下载ultralytics库
控制台 pip 下载
pip install ultralytics
清华镜像源下载，国内镜像网站，速度更快
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics
下载YOLO的预训练模型文件：
https://download.csdn.net/download/2403_83182682/90295807?spm=1001.2014.3001.5503
开始检测
YOLO检测分两步：1、加载预训练模型；2、检测目标。
首先导入ultralytics 库
from ultralytics import YOLO加载预训练模型
model = YOLO('yolov8l.pt')检测目标
model('1.png',show=True)
# show=True 是否显示图片持续显示
import cv2
# 持续显示
cv2.waitKey(0)照片随便找张即可，这是官方使用的检测照片
运行结果如下：
检测出来框内是某事物的概率
如果想要保存检测后图片，只需添加参数：
model('1.png',show=True,save=True)运行后，会自动创建文件夹并将预测图片储存。
同样地，检测网络图片和视频也是这样，检测网络图片仅需将url复制进model中即可，模型会先下载网络图片，再进行检测。
视频识别按照一秒60帧的速度来检测目标，可以传本地，也可以用网络url
视频识别结果如下：
基于YOLO8的目标识别
可以看到，这样的训练对于人物和部分物体是能识别到的，但一些其他的物体，比如健身器材，就检测不到，这是因为像这样的目标识别是基于官方预训练模型进行的，所检测出来的内容也只能是预训练模型中训练的，这样当然是不能满足特定场景的特定需求，想要实现特定场景下的特定识别，还得自己训练模型。
下一篇将介绍如何训练自己的模型并运用。
感谢您的三连！！！