Исследуйте YOLOv8: получите и узнайте о 80 категориях объектов.
Исследуйте YOLOv8: получите и узнайте о 80 категориях объектов.

Благодаря быстрому развитию искусственного интеллекта технология обнаружения объектов стала яркой звездой в области компьютерного зрения. В этой области технология YOLO (You Only Look Once) привлекла большое внимание благодаря своей высокой эффективности и точности. Последняя модель YOLOv8 не только унаследовала превосходные характеристики модели предыдущего поколения, но также имеет значительные улучшения в точности и скорости. Сегодня мы углубимся в категории объектов, которые может распознавать модель YOLOv8, и соответствующие им идентификаторы классов, а также раскроем тайну этой передовой технологии.

YOLOv8: 80 категорий, безграничные возможности

YOLOv8 следует традиции предварительного обучения с использованием набора данных COCO, который содержит 80 категорий, охватывающих общий диапазон — от предметов повседневного обихода до диких животных. Каждая категория имеет уникальный идентификатор, который используется для идентификации и классификации в процессе обучения. Ниже приведен список всех категорий объектов и их идентификаторов классов, которые YOLOv8 может распознавать без дополнительного обучения:

Язык кода:python
кодКоличество запусков:0
копировать
{0: 'person',
 1: 'bicycle',
 2: 'car',
 3: 'motorcycle',
 4: 'airplane',
 5: 'bus',
 6: 'train',
 7: 'truck',
 8: 'boat',
 9: 'traffic light',
 10: 'fire hydrant',
 11: 'stop sign',
 12: 'parking meter',
 13: 'bench',
 14: 'bird',
 15: 'cat',
 16: 'dog',
 17: 'horse',
 18: 'sheep',
 19: 'cow',
 20: 'elephant',
 21: 'bear',
 22: 'zebra',
 23: 'giraffe',
 24: 'backpack',
 25: 'umbrella',
 26: 'handbag',
 27: 'tie',
 28: 'suitcase',
 29: 'frisbee',
 30: 'skis',
 31: 'snowboard',
 32: 'sports ball',
 33: 'kite',
 34: 'baseball bat',
 35: 'baseball glove',
 36: 'skateboard',
 37: 'surfboard',
 38: 'tennis racket',
 39: 'bottle',
 40: 'wine glass',
 41: 'cup',
 42: 'fork',
 43: 'knife',
 44: 'spoon',
 45: 'bowl',
 46: 'banana',
 47: 'apple',
 48: 'sandwich',
 49: 'orange',
 50: 'broccoli',
 51: 'carrot',
 52: 'hot dog',
 53: 'pizza',
 54: 'donut',
 55: 'cake',
 56: 'chair',
 57: 'couch',
 58: 'potted plant',
 59: 'bed',
 60: 'dining table',
 61: 'toilet',
 62: 'tv',
 63: 'laptop',
 64: 'mouse',
 65: 'remote',
 66: 'keyboard',
 67: 'cell phone',
 68: 'microwave',
 69: 'oven',
 70: 'toaster',
 71: 'sink',
 72: 'refrigerator',
 73: 'book',
 74: 'clock',
 75: 'vase',
 76: 'scissors',
 77: 'teddy bear',
 78: 'hair drier',
 79: 'toothbrush'}

Этот общий охват категорий гарантирует, что YOLOv8 может адаптироваться к самым различным сценариям обнаружения: от мониторинга городского движения до защиты дикой природы и идентификации предметов повседневного обихода, и все это может обеспечить отличные возможности распознавания.

Почему категории и идентификаторы имеют значение

Категории и их идентификаторы играют жизненно важную роль в моделях обнаружения объектов. Для каждого обнаруженного объекта модель выводит идентификатор категории. С помощью этого идентификатора мы можем напрямую сопоставить его с конкретным именем категории, чтобы узнать, что определила модель. Этот процесс лежит в основе автоматизированных систем машинного зрения для интерпретации мира и является ключевым связующим звеном между результатами модели и реальным миром.

Код для получения категории объекта YOLOv8

Язык кода:python
кодКоличество запусков:0
копировать
from ultralytics import YOLO

model = YOLO('yolov8n.pt') # и yolov8s.pt, yolov8m.pt, yolov8l.pt, yolov8x.pt
print(model.names)

Заключение

Эти 80 категорий модели YOLOv8 не только демонстрируют удобство использования технологии YOLO в распространенных сценариях, но также могут поддерживать больше меток классов объектов посредством обучения, предоставляя широкий спектр возможностей применения для различных отраслей. От интеллектуального мониторинга до автономного вождения и личных помощников — возможности YOLOv8 по обнаружению объектов станут важной частью улучшения системного интеллекта. С дальнейшим развитием технологий у нас есть основания ожидать, что YOLO и расширение категорий его распознавания сделают технологию компьютерного зрения более популярной и принесут больше удобства и безопасности в нашу жизнь.

Здесь мы исследовали 80 категорий и их идентификаторы, которые YOLOv8 способен распознавать, но это только начало. Ожидается, что в будущем, благодаря постоянному совершенствованию и обновлению технологий распознавания, мы откроем больше возможностей и поймем мир более точно и быстро. Как пропагандирует YOLO: «Вы посмотрите только один раз, но за этим стоят бесконечные открытия и исследования». Давайте с нетерпением ждем YOLOv8 и его последующих версий, которые раскроют нам еще больше тайн мира.

boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose