# YoloV8 ## 模型介绍 YoloV8是一种单阶段目标检测算法，该算法在YOLOV5的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 ## 模型结构 YoloV8模型的主要改进思路有以下几点： - 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，不再是无脑一套参数应用所有模型，大幅提升了模型性能。 - 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. - Loss 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss. - 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 ## Python版本推理下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。 ### 下载镜像下载MIGraphX镜像： ```shell docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest ``` ### 设置Python环境变量 ```shell export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH ``` ### 安装依赖 ```shell # 进入python示例目录 cd /Python # 安装依赖 pip install -r requirements.txt ``` ### 运行示例 YoloV8模型的推理示例程序是YoloV8_infer_migraphx.py，使用如下命令运行该推理示例： ```shell # 进入python目录 cd # 进入Python目录 cd Python/ ``` 1. 静态推理 ```shell python YoloV8_infer_migraphx.py --staticInfer ``` 程序运行结束后，在当前目录生成YOLOV8静态推理检测结果可视化图像Result.jpg Result

2. 动态推理 ```shell python YoloV8_infer_migraphx.py --dynamicInfer ``` 程序运行结束会在当前目录生成YoloV8动态推理检测结果可视化图像Result0.jpg、Result1.jpg。 Result_2

## C++版本推理下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。 ### 下载镜像下载MIGraphX镜像： ```shell docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest ``` ### 构建工程 ```shell rbuild build -d depend ``` ### 设置环境变量将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句： ```shell export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH ``` 然后执行: ```shell source ~/.bashrc ``` ### 运行示例 YoloV8示例程序编译成功后，执行如下指令运行该示例： ```shell # 进入yolov8 migraphx工程根目录 cd # 进入build目录 cd build/ ``` 1. 静态推理 ```shell ./YOLOV8 0 ``` 程序运行结束后，会在当前目录生成YOLOV8静态推理检测结果可视化图像Result.jpg Result

2. 动态推理 ```shell ./YOLOV8 1 ``` 程序运行结束会在build目录生成YoloV8动态shape推理检测结果可视化图像Result0.jpg、Result1.jpg。 Result

## 源码仓库及问题反馈 https://developer.hpccube.com/codes/modelzoo/yolov8_migraphx ## 参考 https://github.com/ultralytics/ultralytics