助力智能人群检测计数，基于YOLOv8开发构建通用场景下人群检测计数识别系统

在一些人流量比较大的场合，或者是一些特殊时刻、时段、节假日等特殊时期下，密切关注当前系统所承载的人流量是十分必要的，对于超出系统负荷容量的情况做到及时预警对于管理团队来说是保障人员安全的重要手段，本文的主要目的是想要基于通用的数据开发构建用于通用场景下的人群检测计数系统。

前文我们基于比较经典的YOLOv3开发实现了检测计数系统，感兴趣的话可以自行移步阅读即可：

《助力智能人群检测计数，基于YOLOv3开发构建通用场景下人群检测计数识别系统》

《助力智能人群检测计数，基于YOLOv5全系列模型【n/s/m/l/x】开发构建通用场景下人群检测计数识别系统》

《助力智能人群检测计数，基于YOLOv6开发构建通用场景下人群检测计数系统》

首先看下实例效果：

简单看下我们从网络源获取的数据集：

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。

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

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：

另外一套预训练模型如下：

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。

分类也提供了对应的预训练模型，如下所示：

分割也提供了对应的预训练模型，如下所示：

姿态估计也提供了对应的预训练模型，如下所示：

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)

这里我选择的是最为轻量级的n系列的模型，如下所示：

# 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/花生_TL007/article/detail/73158
推荐阅读
articleyolov8+多算法多目标追踪+实例分割+目标检测+姿态估计...
YOLOv8结合了多种算法，实现了目标检测、多目标追踪、实例分割和姿态估计等多种功能。它在计算机视觉领域具有广泛的应用前...
                
                    赞
踩
articleOnnxRuntime TensorRT OpenCV::DNN性能对比(YoloV8)实测_yol...
cpu选择onnxruntime或者dnn都可以,建议选择ort.gpu选择tensorrt,如果有兼容需求就只能选择o...
                
                    赞
踩
articleyolov8 pose...
yolov8 poseyolov8 pose             目录 yolov8 pose yolov5&nbs...
                
                    赞
踩
article分割头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详...
YOLOv8 更换 SEResNeXtBottleneck 分割头分割头篇 | 原创自研 | YOLOv8 更换 SER...
                
                    赞
踩
article目标检测算法——YOLOV8——算法详解...
本文梳理Yolo v8 的改进点，并针对一些较难理解的点进行重点阐述，主要有如下几方面：backbone 使用C2f模块...
                
                    赞
踩
相关标签
计算机视觉
YOLO
目标检测
人工智能
c++
python
深度学习
算法