使用预训练的 Ultralytics YOLOv8 模型进行目标检测

在本教程中，我们将介绍 Ultralytics YOLO 模型，以及如何将它们用于目标检测。

Ultralytics YOLOv8 模型概览#

让我们先了解 Ultralytics YOLOv8 模型的特点。该模型代表了目标检测领域的一项重大进步，在速度和准确性之间实现了良好平衡。与之前的 YOLO 模型相比，YOLOv8 在不影响检测准确性的情况下实现了更快的推理速度。

在本文中，我们将把 Ultralytics YOLOv8 的推理速度和准确性与其他 YOLO 模型进行比较，展示它在实时目标检测方面的优势。借助 YOLOv8，用户可以期待它在广泛应用场景中的性能显著提升。

使用预训练的 Ultralytics YOLOv8 模型#

Ultralytics YOLOv8 模型的一大亮点是易于使用，尤其是预训练模型。无论你是经验丰富的开发者，还是刚开始接触计算机视觉、机器学习或深度学习，使用预训练 YOLOv8 模型都很简单。

只需两行 Python 代码，你就能运行预训练的 Ultralytics YOLOv8 模型来进行目标检测。这样一来，你可以轻松地将计算机视觉功能集成到项目中，无需付出太多努力。

Ultralytics YOLOv8 文档和参数#

了解 Ultralytics YOLOv8 模型可用的资源也很有帮助。我们后续的教程将涵盖多种主题，包括自定义目标检测、目标跟踪、姿态估计和分割，为各个水平的用户提供全面指导。

图 1. Ultralytics YOLO 模型执行的主要任务。

此外，我们还会介绍如何利用 关键预测参数充分发挥 Ultralytics YOLOv8 的优势。了解 source、置信度阈值和设备选择等参数，有助于你根据具体需求调整模型。

使用网络摄像头进行实时目标检测#

Ultralytics YOLOv8 还可以在网络摄像头上进行实时目标检测。视频中，YOLOv8 以每秒 100 多帧的速度检测网络摄像头实时画面中的物体。

无论你是在监控繁忙的街道，还是在混乱环境中跟踪物体，Ultralytics YOLOv8 都能很好地应对实时场景。YOLOv8 能够精准、高效地检测各种物体，为包括医疗保健、农业和制造业在内的多个行业开辟了新的应用可能。

总结#

总之，YOLOv8 代表了目标检测领域的一项重大进步。在 Ultralytics，我们致力于为开发者和研究人员提供实用的机器学习和人工智能工具与资源。YOLOv8 的后继模型是 Ultralytics YOLO26，你可以使用相同的 Python API 运行它。

观看完整视频，并关注后续教程、指南和见解。加入我们的社区，分享你使用 Ultralytics YOLO 构建的成果！