YOLOv8_测试yolov8n.pt，yolov8m.pt训练的时间和效果、推理一张图片所需时间_解决训练时进程被终止killed

接上篇英伟达Jetson搭建Yolov8环境过程中遇到的各种报错解决（涉及numpy、scipy、torchvision等）以及直观体验使用Yolov8目标检测的过程（CLI命令行操作、无需代码）-CSDN博客的进一步测试，只是好奇，建议浏览一下就行，不需要浪费时间走一遍这个流程。

主要内容：

• yolov8n.pt和yolov8m.pt的训练时间；
• yolov8n.pt和yolov8m.pt处理一张图片的耗时；
• yolov8n.pt和yolov8m.pt目标检测的效果对比；
• 尝试对视频.mp4文件进行目标检测；

1、YOLOv8提供的各种模型

YOLOv8 - Ultralytics YOLOv8 文档

YOLOv8提供了基于目标检测、实例分割、姿态检测、分类等不同类型，不同规格的模型，后缀n、s、m、l、x代表模型的规模逐渐增大。

?不同的模型的性能见下表：

关于mAPval 50-95：

• Precision，精确度，代表预测为正的样本中有多少正确；
• Recall，召回率，代表真正为正的样本中有多少被预测为正；
• AP(Average Precision)，平均精度，综合考虑精确度Precision和召回率Recall；
• mAP(mean Average Precision)，多个类别下，平均精度AP的均值。
• mAPval (mean Average Precision on the validation set)，在验证集上的mAP。
• IOU(Intersection overUnion)，交并比，“预测的边框”和“真实的边框”的交集/并集，为1代表完全重叠;
• mAPval 50-95，代表在验证集上IOU=50~95之间的mAP;

关于速度：

• CPU ONNX指的是在CPU下，使用ONNX这个模型格式推理的速度；
• A100 TensorRT指的是在英伟达A100显卡GPU下，使用TensorRT推理的速度；

所以总结下就是，模型越大，效果越好，但推理的时间也越久；

2、yolov8n.pt和yolov8m.pt的训练时间

2.1、yolov8n.pt的训练时间

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

?训练10次耗时0.376小时≈22分钟。

2.2、yolov8m.pt的训练时间

yolo train data=coco128.yaml model=yolov8m.pt epochs=10 lr0=0.01

如果只是把yolov8n.pt改成yolov8m.pt，且运行设备的内存不够大（我用的是8G内存），就会出现刚开始训练就终止Killed的问题，像这样：

减小batch可以解决这个问题，默认是batch=16，我修改成batch=4之后可以正常训练，batch=-1是可以自动适配硬件这个还没有尝试。

yolo train data=coco128.yaml model=yolov8m.pt epochs=10 lr0=0.01 batch=4

训练的过程中打开jtop，关于安装jtop及可能遇到的问题在这里Jetson Orin Nano_安装jtop指令(遇到循环提示重启服务的问题)、查看系统运行情况及基本信息-CSDN博客。

可以从下图看到,即便是batch=4，6个CPU基本满负荷，内存占用大概是5.5/7.4≈74%.

最终跑完，一共耗时1.9个小时。

3、yolov8n.pt和yolov8m.pt处理一张图片的耗时

3.1、yolov8n.pt处理一张图片的耗时

一共有10张图片，平均预处理preprocess=7.3ms，推理interence=318.4ms，后处理postprocess=6ms，总计331.7ms;

3.2、yolov8m.pt处理一张图片的耗时

同样的这10张图片，平均预处理preprocess=5.6ms，推理interence=1135.1ms，后处理postprocess=3.4ms，总计1144.1ms，差不多是yolov8n.pt的3.5倍。

4、yolov8n.pt和yolov8m.pt目标检测的效果对比

yolo predict model=yolov8n.pt source='/home/lgzn/Pictures/test_car_plane'

yolo predict model=yolov8m.pt source='/home/lgzn/Pictures/test_car_plane'

对比来说yolov8m.pt效果确实明显要好，比如下图识别出car的置信度变高了，还多识别出2个bus，错误识别的traffic light也没有了。

5、尝试对视频.mp4文件进行目标检测

对图片、视频的检测并没有很大的不同，只是修改个识别的来源source：

yolo predict model=yolov8m.pt source='/home/lgzn/Pictures/video_test/ollie.mp4'

因为看到训练的日志class里面有person和skateboard这两个类别，所以试试看这个video，skateboard识别出来了并且置信度是0.9，满意。

总有一天，我的ollie会过障碍，然后一立、两立；