安装

YOLOv8 有两种安装方式，一种是直接用 pip 命令安装：

shell
复制代码
pip install ultralytics

另外一种是通过源码安装：

shell
复制代码
git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e '.[dev]'

安装完成后就可以通过 yolo 命令在命令行进行使用了。

目标检测

使用 YOLOv8 进行目标检测，可以使用下面的命令：

shell
复制代码
yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/bus.jpg imgsz=640 show=True save=True

如果模型权重不存在，程序会自动从GitHub中*载下**。如果对命令行的参数不了解，可以参考官方文档的说明，也可以直接看 ultralytics 代码仓库中的 ultralytics/yolo/cfg/default.yaml 文件，里面有所有参数的说明和默认值。

上面的命令运行成功后，带检测结果的图片被保存到 runs/detect/predict 目录下，如下图所示：

跑视频的效果可以看下面这个视频：

用TensorRT部署的YOLOv8模型，来看看效果怎么样

目标跟踪

YOLOv8 目前支持 BoT-SORT 和 ByteTrack 两种多目标跟踪算法，默认的目标跟踪算法为 BoT-SORT ，使用方式如下：

shell
复制代码
yolo track model=yolov8n.pt source=test.avi show=True save=True

如果要使用 ByteTrack 跟踪算法，可以添加命令行参数 tracker=bytetrack.yaml 。

下面的视频是使用 BoT-SORT 算法的跟踪效果，效果还是不错的。

YOLOv8目标检测+BoT-SORT目标跟踪

模型部署

如果要用 TensorRT 部署 YOLOv8 ，需要先使用下面的命令将模型导出为 onnx 格式：

shell
复制代码
yolo export model=yolov8n.pt format=onnx opset=12 

YOLOv8 的 3 个检测头一共有 80x80+40x40+20x20=8400 个输出单元格，每个单元格包含 x,y,w,h 这 4 项再加 80 个类别的置信度总共 84 项内容，所以通过上面命令导出的 onnx 模型的输出维度为 1x84x8400 。

这样的通道排列顺序有个问题，那就是后处理的时候会造成内存访问不连续。为了解决这个问题，我们可以修改一下代码，具体做法是把 ultralytics/nn/modules.py 文件中的 421 行做如下修改，交换一下张量 y 的通道顺序：

修改代码后需要执行前面的安装命令 pip install -e '.[dev]' 使代码生效。这样修改后再执行上面的模型导出命令，模型的输出维度变为 1x8400x84 。

导出 onnx 模型后，就可以用 TensorRT 进行部署了。如何使用 TensorRT 的 C++ 接口部署 ONNX 模型可以参考我之前给【自动驾驶之心】公众号写的这篇文章：手把手教学！TensorRT部署实战：YOLOv5的ONNX模型部署。

与 YOLOv5 相比，部署 YOLOv8 的不同之处就是做后处理解析模型输出结果的时候不需要去解析 objectness 这项内容了，其他都类似。

使用 TensorRT 框架在我的 GeForce GTX 1650 Ti 显卡上部署 YOLOv8 的结果如下：

YOLOv5 测试结果：

从上面的测试结果来看， YOLOv8 比 YOLOv5 稍微慢一点点。