YOLOv8 детекция

Реaltime обнаружение объектов с YOLOv8 и YOLOv11 на Clore.ai

Запустите обнаружение объектов в реальном времени с Ultralytics YOLOv8 и YOLOv11.

Все примеры можно запускать на GPU-серверах, арендуемых через CLORE.AI Marketplace.

Обновление: YOLOv11 (2025) — на 22% быстрее

YOLOv11 теперь доступен через тот же ultralytics пакет. Он обеспечивает на 22% более быструю инференцию и улучшенный mAP по сравнению с YOLOv8 при том же простом API. Новые функции включают обнаружение ориентированных ограничивающих рамок (OBB). Обновитесь, запустив pip install -U ultralytics.

Аренда на CLORE.AI

1. Посетите CLORE.AI Marketplace

2. Отфильтруйте по типу GPU, объему VRAM и цене

3. Выберите On-Demand (фиксированная ставка) или Spot (цена по ставке)

4. Настройте ваш заказ:

   • Выберите Docker-образ

   • Установите порты (TCP для SSH, HTTP для веб-интерфейсов)

   • Добавьте переменные окружения при необходимости

   • Введите команду запуска

5. Выберите способ оплаты: CLORE, BTC, или USDT/USDC

6. Создайте заказ и дождитесь развертывания

Доступ к вашему серверу

• Найдите данные для подключения в Моих заказах

• Веб-интерфейсы: используйте URL HTTP-порта

• SSH: ssh -p <port> root@<proxy-address>

Что такое YOLOv8?

YOLOv8 — это высокопроизводительная модель YOLO, предлагающая:

• Обнаружение объектов

• Сегментация экземпляров

• Оценка поз

• Классификация изображений

• Отслеживание объектов

Что такое YOLOv11?

YOLOv11 (2025) — последнее поколение, добавляющее:

• на 22% более быструю инференцию по сравнению с YOLOv8

• Более высокий mAP во всех размерах моделей

• Ориентированные ограничивающие рамки (OBB) обнаружение — новая задача

• Улучшенная архитектура (блоки C3k2, SPPF, C2PSA)

• Тот же ultralytics пакет, заменяемый на месте

Поддерживаемые задачи (YOLOv11)

Задача	Суффикс	Описание
detect	(нет)	Обнаружение объектов с ограничивающими рамками
segment	-seg	Сегментация экземпляров с масками
classify	-cls	Классификация изображений
pose	-pose	Оценка поз человека
obb	-obb	НОВОЕ Ориентированные ограничивающие рамки (поворотное обнаружение)

Размеры моделей

Модели YOLOv8

Модель	Размер	mAP	Скорость (RTX 3090)
YOLOv8n	3.2M	37.3	~1ms
YOLOv8s	11.2M	44.9	~2ms
YOLOv8m	25.9M	50.2	~4ms
YOLOv8l	43.7M	52.9	~6ms
YOLOv8x	68.2M	53.9	~8ms

Модели YOLOv11

Модель	Размер	mAP	Скорость (RTX 3090)
yolo11n	2.6M	39.5	~0.8ms
yolo11s	9.4M	47.0	~1.5ms
yolo11m	20.1M	51.5	~3.2ms
yolo11l	25.3M	53.4	~4.7ms
yolo11x	56.9M	54.7	~6.5ms

Сравнение YOLOv8 и YOLOv11

Метрика	YOLOv8x	yolo11x	Улучшение
Параметры	68.2M	56.9M	-17% меньше
mAP50-95 (COCO)	53.9	54.7	+0.8 mAP
Инференция (RTX 3090)	~8ms	~6.5ms	+22% быстрее
FPS (RTX 3090, 640px)	~150	~183	+22% быстрее
Задача OBB	❌	✅	Новое в v11

Быстрое развертывание

Docker-образ:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime

Порты:

22/tcp
7860/http

Команда (YOLOv11):

pip install ultralytics gradio && \
python -c "
import gradio as gr
from ultralytics import YOLO
from PIL import Image

model = YOLO('yolo11m.pt')

def detect(image):
    results = model(image)
    return Image.fromarray(results[0].plot())

demo = gr.Interface(fn=detect, inputs=gr.Image(type='pil'), outputs=gr.Image(), title='YOLOv11 Detection')
demo.launch(server_name='0.0.0.0', server_port=7860)
"

Доступ к вашему сервису

После развертывания найдите ваш http_pub URL в Моих заказах:

1. Перейдите на Моих заказах страницу

2. Нажмите на ваш заказ

3. Найдите http_pub URL (например, abc123.clorecloud.net)

Используйте https://YOUR_HTTP_PUB_URL вместо localhost в примерах ниже.

Установка

pip install ultralytics

Один и тот же пакет для YOLOv8 и YOLOv11. Обновитесь, чтобы получить YOLOv11:

pip install -U ultralytics

Обнаружение объектов YOLOv11

Базовое обнаружение с yolo11m

from ultralytics import YOLO
from PIL import Image

# Загрузите среднюю модель YOLOv11
model = YOLO('yolo11m.pt')

# Запустите инференцию
results = model('image.jpg')

# Показать результаты
results[0].show()

# Сохранить результаты
results[0].save('output.jpg')

Получение детекций

results = model('image.jpg')

for result in results:
    boxes = result.boxes
    for box in boxes:
        # Координаты
        x1, y1, x2, y2 = box.xyxy[0].tolist()

        # Доверие
        conf = box.conf[0].item()

        # Класс
        cls = int(box.cls[0].item())
        name = model.names[cls]

        print(f"{name}: {conf:.2f} at ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

Пакетная обработка

from ultralytics import YOLO
import os

model = YOLO('yolo11m.pt')

input_dir = './images'
output_dir = './detected'
os.makedirs(output_dir, exist_ok=True)

# Обработать все изображения
results = model(input_dir, save=True, project=output_dir)

Задачи YOLOv11

Сегментация экземпляров

from ultralytics import YOLO

# Загрузите модель сегментации YOLOv11
model = YOLO('yolo11m-seg.pt')

results = model('image.jpg')

for result in results:
    masks = result.masks  # Маски сегментации
    if masks is not None:
        for mask in masks.data:
            # mask — бинарный тензор
            pass

Оценка поз

from ultralytics import YOLO

# Загрузите модель поз YOLOv11
model = YOLO('yolo11m-pose.pt')

results = model('image.jpg')

for result in results:
    keypoints = result.keypoints
    if keypoints is not None:
        for kp in keypoints.data:
            # 17 ключевых точек: нос, глаза, уши, плечи, локти, запястья, бедра, колени, лодыжки
            pass

Классификация

from ultralytics import YOLO

# Загрузите модель классификации YOLOv11
model = YOLO('yolo11m-cls.pt')

results = model('image.jpg')
for result in results:
    # Топ-1 класс и уверенность
    top1 = result.probs.top1
    top1conf = result.probs.top1conf.item()
    print(f"Class: {result.names[top1]} ({top1conf:.2f})")

Ориентированные ограничивающие рамки (OBB) — НОВИНКА в YOLOv11

OBB обнаруживает объекты при любом угле поворота — идеально для аэроснимков/спутниковых снимков, сканирования документов и обнаружения текста.

from ultralytics import YOLO

# Загрузите OBB-модель YOLOv11
model = YOLO('yolo11m-obb.pt')

results = model('aerial_image.jpg')

for result in results:
    obb = result.obb
    if obb is not None:
        for box in obb:
            # Повернутая рамка: x_center, y_center, width, height, angle
            xywhr = box.xywhr[0].tolist()
            conf = box.conf[0].item()
            cls = int(box.cls[0].item())
            print(f"{result.names[cls]}: {conf:.2f} rotated box: {xywhr}")

Обработка видео

Обработать видео

from ultralytics import YOLO

model = YOLO('yolo11m.pt')

# Обработать видео
results = model('video.mp4', save=True)

Веб-камера в реальном времени

from ultralytics import YOLO
import cv2

model = YOLO('yolo11n.pt')  # Используйте nano-модель для работы в реальном времени

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    annotated = results[0].plot()

    cv2.imshow('YOLOv11', annotated)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

Сохранение обработанного видео

from ultralytics import YOLO
import cv2

model = YOLO('yolo11m.pt')

cap = cv2.VideoCapture('input.mp4')
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

out = cv2.VideoWriter('output.mp4', cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height))

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    annotated = results[0].plot()
    out.write(annotated)

cap.release()
out.release()

Отслеживание объектов

from ultralytics import YOLO

model = YOLO('yolo11m.pt')

# Отслеживать объекты в видео
results = model.track('video.mp4', save=True, tracker='bytetrack.yaml')

# Доступ к ID треков
for result in results:
    boxes = result.boxes
    if boxes.id is not None:
        track_ids = boxes.id.tolist()

Пользовательская подготовка

Подготовка датасета

# dataset.yaml
path: /workspace/dataset
train: images/train
val: images/val

names:
  0: cat
  1: dog
  2: bird

Обучение YOLOv11

from ultralytics import YOLO

# Загрузите предварительно обученную модель YOLOv11
model = YOLO('yolo11n.pt')

# Обучение
results = model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0
)

Аргументы обучения

model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,
    workers=8,
    patience=50,         # Раннее прекращение
    save=True,
    save_period=10,      # Сохранять каждые N эпох
    cache=True,          # Кешировать изображения
    amp=True,            # Смешанная точность
    lr0=0.01,
    lrf=0.01,
    momentum=0.937,
    weight_decay=0.0005,
    warmup_epochs=3.0,
    box=7.5,
    cls=0.5,
    dfl=1.5,
    augment=True,
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    flipud=0.0,
    fliplr=0.5,
    mosaic=1.0,
    mixup=0.0,
)

Экспорт модели

from ultralytics import YOLO

model = YOLO('yolo11m.pt')

# Экспорт в разные форматы
model.export(format='onnx')           # ONNX
model.export(format='tensorrt')       # TensorRT
model.export(format='openvino')       # OpenVINO
model.export(format='coreml')         # CoreML
model.export(format='tflite')         # TensorFlow Lite

API-сервер

from fastapi import FastAPI, UploadFile
from fastapi.responses import JSONResponse
from ultralytics import YOLO
from PIL import Image
import io

app = FastAPI()
model = YOLO('yolo11m.pt')

@app.post("/detect")
async def detect(file: UploadFile):
    contents = await file.read()
    image = Image.open(io.BytesIO(contents))

    results = model(image)

    detections = []
    for box in results[0].boxes:
        detections.append({
            "class": model.names[int(box.cls[0])],
            "confidence": float(box.conf[0]),
            "bbox": box.xyxy[0].tolist()
        })

    return JSONResponse(content={"detections": detections})

@app.post("/segment")
async def segment(file: UploadFile):
    contents = await file.read()
    image = Image.open(io.BytesIO(contents))

    model_seg = YOLO('yolo11m-seg.pt')
    results = model_seg(image)

    # Вернуть аннотированное изображение
    annotated = results[0].plot()
    # ... конвертировать и вернуть

# Запуск: uvicorn server:app --host 0.0.0.0 --port 8000

Оптимизация производительности

Экспорт в TensorRT

model = YOLO('yolo11m.pt')
model.export(format='tensorrt', half=True)

# Использовать экспортированную модель
model_trt = YOLO('yolo11m.engine')
results = model_trt('image.jpg')

Пакетная инференция

# Обработать несколько изображений одновременно
images = ['img1.jpg', 'img2.jpg', 'img3.jpg', 'img4.jpg']
results = model(images, batch=4)

Бенчмарки производительности

FPS YOLOv11 (ввод 640px)

Модель	GPU	FPS
yolo11n	RTX 3090	~1100
yolo11s	RTX 3090	~730
yolo11m	RTX 3090	~370
yolo11x	RTX 3090	~183
yolo11x	RTX 4090	~305

FPS YOLOv8 (ввод 640px) — предыдущее поколение

Модель	GPU	FPS
YOLOv8n	RTX 3090	~900
YOLOv8s	RTX 3090	~600
YOLOv8m	RTX 3090	~300
YOLOv8x	RTX 3090	~150
YOLOv8x	RTX 4090	~250

Устранение неполадок

Недостаток памяти

# Используйте меньшую модель
model = YOLO('yolo11n.pt')

# Или уменьшите размер изображения
results = model('image.jpg', imgsz=320)

Медленная обработка

• Используйте экспорт в TensorRT

• Используйте меньшую модель (yolo11n или yolo11s)

• Уменьшите размер изображения

Низкая точность

• Используйте большую модель (yolo11x вместо yolo11n)

• Обучите на собственных данных

• Увеличьте размер изображения

Оценка стоимости

Типичные тарифы маркетплейса CLORE.AI (по состоянию на 2025):

GPU	Почасовая ставка	Дневная ставка	Сессия 4 часа
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Цены варьируются в зависимости от провайдера и спроса. Проверьте CLORE.AI Marketplace для текущих тарифов.

Экономьте деньги:

• Используйте Spot рынок для гибких рабочих нагрузок (часто на 30–50% дешевле)

• Платите с помощью CLORE токенов

• Сравнивайте цены у разных провайдеров

Дальнейшие шаги

• Segment Anything - Продвинутая сегментация

• Detectron2 - больше опций обнаружения

• Real-ESRGAN - Улучшение обнаруженных объектов