基于COCO训练的YOLOv8m模型

YOLOv8m是YOLOv8模型的中等版本，在COCO目标检测数据集（118k张标注图像）上以640x640分辨率训练而成。该模型发布于https://github.com/ultralytics/ultralytics。

我们开发了一个修改版本，可由AMD Ryzen AI支持。

模型描述

Ultralytics YOLOv8是一款前沿的最先进（SOTA）模型，它建立在先前YOLO版本成功的基础上，并引入了新功能和改进以进一步提升性能和灵活性。YOLOv8设计快速、准确且易于使用，是广泛的目标检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

预期用途与限制

您可以使用原始模型进行目标检测。请查看模型中心以寻找所有可用的YOLOv8模型。

如何使用

安装

按照Ryzen AI安装指南准备Ryzen AI环境。 运行以下脚本安装此模型的依赖项。

pip install -r requirements.txt 

数据准备（可选：用于精度评估）

MSCOCO2017数据集包含118287张训练图像和5000张验证图像。

下载COCO数据集并在代码中创建/挂载目录，如下所示：

└── yolov8m
    └── datasets
        └── coco
              ├── annotations
              |   ├── instances_val2017.json
              |   └── ...
              ├── labels
              |   ├── val2017
              |   |   ├── 000000000139.txt
              |       ├── 000000000285.txt
              |       └── ...
              ├── images
              |   ├── val2017
              |   |   ├── 000000000139.jpg
              |       ├── 000000000285.jpg
              └── val2017.txt

1. 将val2017图像文件夹放置在images目录下，或使用软链接
2. 上方的labels文件夹和val2017.txt由general_json2yolo.py生成
3. 按如下方式修改coco.yaml：

path: /path/to/your/datasets/coco  # 数据集根目录
train: train2017.txt  # 训练图像（相对于'path'）118287张图像
val: val2017.txt  # 验证图像（相对于'path'）5000张图像

测试与评估

• 来自infer_onnx.py的使用代码片段

args = make_parser().parse_args()
source = args.image_path 
dataset = LoadImages(
    source, imgsz=imgsz, stride=32, auto=False, transforms=None, vid_stride=1
)
onnx_weight = args.model
onnx_model = onnxruntime.InferenceSession(onnx_weight)
for batch in dataset:
    path, im, im0s, vid_cap, s = batch
    im = preprocess(im)
    if len(im.shape) == 3:
        im = im[None]
    outputs = onnx_model.run(None, {onnx_model.get_inputs()[0].name: im.permute(0, 2, 3, 1).cpu().numpy()})
    outputs = [torch.tensor(item).permute(0, 3, 1, 2) for item in outputs]
    preds = post_process(outputs)
    preds = non_max_suppression(
        preds, 0.25, 0.7, agnostic=False, max_det=300, classes=None
    )
    plot_images(
        im,
        *output_to_target(preds, max_det=15),
        source,
        fname=args.output_path,
        names=names,
    )

• 对单张图像运行推理

python infer_onnx.py --onnx_model ./yolov8m.onnx -i /Path/To/Your/Image --ipu --provider_config /Path/To/Your/Provider_config

注意：__vaip_config.json__位于Ryzen AI的安装包中（请参阅安装）

• 测试量化模型的精度

python eval_onnx.py --onnx_model ./yolov8m.onnx --ipu --provider_config /Path/To/Your/Provider_config

性能

@software{yolov8_ultralytics,
  author = {Glenn Jocher and Ayush Chaurasia and Jing Qiu},
  title = {Ultralytics YOLOv8},
  version = {8.0.0},
  year = {2023},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}