- 1OceanPen Art AI绘画系统升级教程
- 2锂电池充电——NTC温度控制电路_电池充电温度电压控制
- 3【学了就忘】Git基础 — 10、配置Git用户签名说明_git 用户签名作用
- 4Unity Meta Quest 一体机开发（二）：前期准备和环境配置_quest3 unity3d
- 5Xcode中Build Setting的“Other C Flags”和“Preprocessor Macros”有什么区别
- 6华为简单静态路由配置_华为静态路由配置命令
- 7一、什么是 HarmonyOS ?
- 8记一次高校老师面试心得
- 9计算机视觉图像降噪实战：基于PyTorch实现图像去模糊任务详细教程_pycharm实现对图像的降噪
- 102024年新算法-冠豪猪优化算法(CPO)-公式原理详解与性能测评 附赠Matlab代码
助力智能化农田作物除草，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建农田作物场景下玉米苗、杂草检测识别分析系统_yolov8(n/s/m/l/x) 区别
赞
踩
在我们前面的系列博文中，关于田间作物场景下的作物、杂草检测已经有过相关的开发实践了，结合智能化的设备可以实现只能除草等操作，玉米作物场景下的杂草检测我们则少有涉及，这里本文的主要目的就是想要基于最新的YOLOv8系列的模型来开发构建玉米田间作物场景下的玉米苗和杂草检测识别系统。
春节前因为时间、资源等因素的限制我们没有办法对YOLOv8全系列不同参数的模型进行全面的对比分析，仅仅开发了最为轻量级的n系列的模型，感兴趣的话可以自行移步阅读即可：
《助力智能化农田作物除草，基于轻量级YOLOv8n开发构建农田作物场景下玉米苗、杂草检测识别分析系统》
本文的内容则是围绕开发YOLOv8全系列五款不同参数量级的模型来进行整体的对比分析。
首先看下实例效果：
简单看下实例数据集：
如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章，如下所示：
《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例】
非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。
非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。
YOLOv8核心特性和改动如下：
1、提供了一个全新的SOTA模型（state-of-the-art model），包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于YOLACT的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求
2、骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是一套参数应用所有模型，大幅提升了模型性能。
3、Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从Anchor-Based 换成了 Anchor-Free
4、Loss 计算方面采用了TaskAlignedAssigner正样本分配策略，并引入了Distribution Focal Loss
5、训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度
YOLOv8官方项目地址在这里，如下所示：
目前已经收获超过1.7w的star量了。官方提供的预训练模型如下所示：
| Model | size (pixels) | mAPval 50-95 | Speed CPU ONNX (ms) | Speed A100 TensorRT (ms) | params (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 |
另外一套预训练模型权重地址如下：
| Model | size (pixels) | mAPval 50-95 | Speed CPU ONNX (ms) | Speed A100 TensorRT (ms) | params (M) | FLOPs (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 |
是基于Open Image V7数据集构建的，可以根据自己的需求进行选择使用即可。
YOLOv8的定位不仅仅是目标检测，而是性能强大全面的工具库，故而在任务类型上同时支持：姿态估计、检测、分类、分割、跟踪多种类型，可以根据自己的需要进行选择使用，这里就不再详细展开了。
简单的实例实现如下所示：
- from ultralytics import YOLO
-
- # yolov8n
- model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights
- model.train(data='data/self.yaml', epochs=100, imgsz=640)
-
-
- # yolov8s
- model = YOLO('yolov8s.yaml').load('yolov8s.pt') # build from YAML and transfer weights
- model.train(data='data/self.yaml', epochs=100, imgsz=640)
-
-
- # yolov8m
- model = YOLO('yolov8m.yaml').load('yolov8m.pt') # build from YAML and transfer weights
- model.train(data='data/self.yaml', epochs=100, imgsz=640)
-
-
- # yolov8l
- model = YOLO('yolov8l.yaml').load('yolov8l.pt') # build from YAML and transfer weights
- model.train(data='data/self.yaml', epochs=100, imgsz=640)
-
-
- # yolov8x
- model = YOLO('yolov8x.yaml').load('yolov8x.pt') # build from YAML and transfer weights
- model.train(data='data/self.yaml', epochs=100, imgsz=640)
这里给出yolov8的模型文件如下：
- # Ultralytics YOLO 声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小丑西瓜9/article/detail/298256推荐阅读
相关标签
Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。
