今天是第七天我要介紹今年新出的yolo v8，以下是程式碼

YOLOv8 簡介

YOLOv8 是 YOLO (You Only Look Once) 系列目標檢測模型的最新版本，由 Ultralytics 開發。YOLO 系列模型以其快速且準確的物體檢測能力聞名，廣泛應用於各種電腦視覺任務中。YOLOv8 在前幾代模型的基礎上進行了多方面的改進，旨在提高檢測性能、降低計算成本，並且提供更靈活的部署選項。

YOLOv8 的關鍵特點包括：

1. 改進的架構設計：

   • YOLOv8 對網路架構進行了進一步優化，包含新的特徵提取層次結構和更高效的上下採樣策略。這些改進使模型在處理不同大小的物體時表現更佳。

2. 強化的精度和速度：

   • 通過採用更好的優化技術和精細化的超參數調整，YOLOv8 提供了更高的檢測精度，同時保持了實時運行的能力。

3. 靈活的模型大小選擇：

   • YOLOv8 提供多種模型大小（如 nano, small, medium, large, extra-large），用戶可以根據計算資源和應用需求選擇合適的模型。

4. 強大的支持社群和工具鏈：

   • YOLOv8 繼承了 Ultralytics 強大的工具鏈支援，包括自動訓練、模型微調、模型轉換（如 ONNX、TensorRT）和部署工具，極大地方便了模型在各種環境中的使用。

import torch
from ultralytics import YOLO
import cv2
import numpy as np

# 1. 載入 YOLOv8 模型（從預訓練模型開始）
model = YOLO('yolov8n.pt')  # 載入 YOLOv8 nano 模型

# 2. 訓練模型 (使用自訂資料集)
# 資料集的配置文件應該包含路徑、類別數量等必要信息
model.train(data='path/to/your/custom_dataset.yaml', epochs=50, imgsz=640)

# 3. 推論 - 處理多張圖片
image_paths = ['path/to/image1.jpg', 'path/to/image2.jpg']  # 替換成你的圖片路徑
results = model(image_paths, imgsz=640)  # 進行推論，imgsz 是圖片大小

# 4. 顯示與保存結果
for i, result in enumerate(results):
    result_image = result.plot()  # 將檢測結果繪製在圖片上
    cv2.imshow(f'Result {i+1}', result_image)  # 顯示圖片
    cv2.imwrite(f'output/result_{i+1}.jpg', result_image)  # 保存圖片

cv2.waitKey(0)
cv2.destroyAllWindows()

# 5. 自訂後處理 - 只提取高置信度的檢測結果
for result in results:
    boxes = result.boxes.numpy()  # 提取邊界框
    scores = result.scores.numpy()  # 提取置信度分數
    labels = result.labels.numpy()  # 提取類別標籤

    for box, score, label in zip(boxes, scores, labels):
        if score > 0.5:  # 只考慮置信度超過 0.5 的檢測
            x1, y1, x2, y2 = map(int, box)  # 邊界框坐標
            print(f'Label: {label}, Score: {score}, Box: ({x1}, {y1}, {x2}, {y2})')

# 6. 保存模型權重
model.save("trained_yolov8_custom.pt")  # 保存訓練後的模型

範例解說：

1. 載入預訓練模型：

   • 我們使用 YOLOv8 nano (yolov8n.pt) 作為初始模型進行載入。這個模型已經在 COCO 資料集上進行了預訓練，可以進行遷移學習。

2. 訓練模型：

   • 使用自訂資料集對模型進行微調訓練。訓練過程中，設定了訓練次數 (epochs) 和圖片大小 (imgsz) 等參數。

3. 批次推論：

   • 這裡展示了如何一次性處理多張圖片，並對每張圖片進行物體檢測。

4. 顯示與保存結果：

   • 檢測完成後，我們將結果繪製到圖片上，並展示和保存結果圖片。

5. 自訂後處理：

   • 我們對檢測結果進行了進一步處理，過濾掉置信度較低的檢測，並打印出檢測結果。

6. 保存模型：

   • 最後，我們將訓練後的模型保存下來，以便後續使用或部署。

這個範例展示了如何使用 YOLOv8 進行自訂資料集的訓練、批次推論和結果處理。你可以根據自己的需求進行進一步的調整，例如添加資料增強、自訂損失函數或優化策略，以提升模型的性能。