yolov8与yolov1

### YOLOv8与YOLOv1的主要差异

#### 架构改进
YOLOv1采用的是相对简单的架构，具有24个卷积层以及后续的全连接层用于预测。而Fast YOLO为了提升速度减少到仅9个卷积层并减少了过滤器数量[^1]。相比之下，YOLOv8引入了更加复杂的骨干网络结构，通常基于高效的特征提取模型如CSPDarknet或更先进的变体，这些变化显著增强了特征表示能力。

#### 性能表现
在PASCAL VOC 2012数据集上的实验表明，YOLOv1实现了57.9% 的 mAP (mean Average Precision)，这一成绩低于当时的一些先进方法，在处理小型物体方面存在不足之处；例如对于瓶子、绵羊和电视机/监视器类别的识别率明显偏低，大约落后于R-CNN及其衍生算法约8%-10% [^2]。然而到了YOLOv8时代，得益于不断优化的设计理念和技术进步，其精度得到了极大提高，并且能够更好地应对不同尺度的目标检测挑战。

#### 处理效率
最初的YOLO版本已经以其实时性的优势著称——能够在保持较高帧速率的同时完成有效的目标定位任务。随着迭代更新至第八版，不仅继承了早期型号的速度特性，而且通过诸如多尺度训练、空间金字塔池化(SPP)等技术进一步提升了运行效能，使得即使是在资源受限环境下也能实现高效运作。

import torch
from ultralytics import YOLO

model_v1 = "path_to_yolov1_model"
model_v8 = "path_to_yolov8_model"

# Load models
yolo_v1 = torch.hub.load('ultralytics/yolov3', 'custom', path=model_v1)
yolo_v8 = YOLO(model_v8)

# Perform inference on an image using both versions
results_v1 = yolo_v1(img_path).show()
results_v8 = yolo_v8.predict(source=img_path, show=True)