YOLOv8
קוד פתוחUltralyticsagpl-3.02024-01-31
משפחת מודלים לראייה ממוחשבת שמכסה זיהוי עצמים, פילוח והערכת תנוחה במהירות גבוהה. בוחרים בה בעיקר כשצריכים תוצאות בזמן אמת בלי להסתבך עם פייפליין מורכב.
- 292 MBמשקל הקבצים
- 8,727הורדות בחודש
- 385לייקים
מה זה
מדובר בארכיטקטורה לראייה ממוחשבת שמבצעת מגוון משימות: זיהוי עצמים בתמונות, מעקב, פילוח סמנטי, פילוח מופעים, סיווג, זיהוי תיבות מכוונות והערכת תנוחה. המודלים מגיעים מאומנים מראש על מאגר COCO שמכיל 80 מחלקות שונות, או על ImageNet לסיווג עם 1,000 מחלקות. המערך מחולק לפי גדלים, מגרסת ננו הקלה עם 3.2 מיליון פרמטרים ועד גרסת אקסטרה עם 68.2 מיליון פרמטרים.
מבחינת דיוק, גרסת הננו מגיעה לציון של 37.3 במדד mAP על COCO, בעוד שגרסת האקסטרה מגיעה ל־53.9 באותו מדד. ההבדל הזה מתבטא ישירות בזמני הריצה. כרטיס A100 עם TensorRT מריץ את הננו בפחות ממילישנייה אחת, 0.99 מילישניות לתמונה, בעוד שהאקסטרה דורשת 3.53 מילישניות. בריצה על מעבד רגיל דרך ONNX הפער נפתח משמעותית, מ־80.4 מילישניות בננו ועד 479.1 מילישניות בגרסה הגדולה ביותר.
היתרון המרכזי כאן הוא היכולת לייצא ישירות למגוון פורמטים כמו ONNX לצורך הטמעה מהירה בפרודקשן, יחד עם תמיכה מובנית באימון מחדש על דאטה מותאם אישית בכמה שורות קוד בודדות.
מתאים ל
- זיהוי עצמים בזמן אמת
גרסאות הננו והסמול מספקות זמני תגובה של מילישניות בודדות לניתוח וידאו שוטף.
- פילוח מופעים בתמונות
גרסאות ה־seg מאפשרות הפרדת גבולות מדויקת של 80 סוגי עצמים ברמת הפיקסל.
- מעקב אחר תנועת בני אדם
מודלי ה־pose מזהים נקודות שלד ומפרקים לניתוח יציבה ותנועה ללא צורך במודל נוסף.
איפה זה נופל
למרות הביצועים הגבוהים על חומרת שרתים חזקה, המודלים הגדולים מאטים באופן דרסטי על מעבדים ללא מאיצים גרפיים. גרסת האקסטרה לפילוח, למשל, לוקחת מעל 700 מילישניות לתמונה על מעבד, מה שהופך אותה ללא שמישה לזמן אמת ללא כרטיס מתאים. בנוסף, מודלי התנוחה מאומנים מראש על מחלקה אחת בלבד של בני אדם, ומודלי התיבות המכוונות מאומנים על 15 מחלקות ספציפיות, כך שכל תרחיש אחר ידרוש מכם אימון מחדש ותיוג עצמאי של נתונים.
שאלות
נפוצות
האם אפשר להשתמש במודל בחינם במוצר מסחרי סגור?
לא בלי לחשוף את כל קוד המקור של המוצר שלכם. רישיון AGPL-3.0 מחייב פתיחת קוד לכל מי שמשתמש במערכת, אפילו דרך הרשת, ולכן שימוש מסחרי סגור מצריך רכישת רישיון מחברת Ultralytics.
איזו גרסה כדאי לבחור לפרויקט ראשוני?
מומלץ להתחיל עם גרסת הננו או הסמול כדי לבדוק את הפייפליין והאינטגרציה. הן שוקלות מעט, רצות היטב גם על מעבד רגיל, ומאפשרות איטרציות מהירות לפני שעוברים לגרסאות הכבדות יותר לצורך שיפור דיוק.
איך מריצים
מתקינים את חבילת ultralytics בסביבת פייתון 3.8 ומעלה עם PyTorch מגרסה 1.8 ומעלה, וטוענים את המשקלים הרצויים ישירות בקוד או דרך ממשק שורת הפקודה. כדי לאמן או להריץ במהירות גבוהה מומלץ כרטיס מסך, אך גרסאות הננו והסמול רצות בצורה סבירה גם על מעבד רגיל של שרת או מחשב פיתוח, כפי שמראות הבדיקות שנערכו על מופעי ענן מסוג P4d של אמזון.
אם אתם צריכים זיהוי בסיסי בזמן אמת, גרסת ה־n או ה־s תעשה את העבודה מקומית בעלות חומרה נמוכה. מנגד, אם נדרש דיוק מקסימלי עם הגרסאות הכבדות והחומרה שלכם מוגבלת, עדיף לבחון שירותי ענן ייעודיים במקום להחזיק תשתית כבדה.
pip install -U huggingface_hub hf download Ultralytics/YOLOv8
הקבצים
7 קבצים במאגר, 292 MB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.
הרישיון
הפרויקט מופץ תחת רישיון AGPL-3.0 שמחייב שיתוף קוד פתוח של המערכת המשתמשת בו, גם אם השירות רץ על שרת מרוחק ברשת. מי שרוצה להטמיע את המודלים במוצר מסחרי סגור מבלי לחשוף את הקוד הפנימי שלו, חייב לרכוש רישיון מסחרי ייעודי ישירות מהחברה.