安装

YOLOv8有两种安装方式，一种是直接用pip命令安装：

pip install ultralytics

另外一种是通过源码安装：

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：

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中下载。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：

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+BoT-SORT目标检测与跟踪

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：

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。