什么是YOLOv8/v5

### YOLOv8与YOLOv5的区别及改进

#### 架构优化
YOLOv8引入了一系列架构上的优化，使得模型更加高效和精确。相比YOLOv5，YOLOv8减少了冗余计算并增强了特征提取能力[^1]。

#### 训练效率提升
通过采用更先进的训练策略和技术，如EMA（指数移动平均）、Cosine Annealing学习率调度器等，YOLOv8能够在相同时间内达到更高的精度或更快收敛速度[^2]。

#### 数据增强技术
YOLOv8采用了更为复杂的数据增强方式来增加样本多样性，这有助于改善模型对于不同环境下的鲁棒性和泛化能力。例如Mosaic augmentation可以在预处理阶段随机拼接四张图片作为单个输入给网络；MixUp则是在batch level混合两张或多张图像及其标签信息[^3]。

#### 部署支持加强
针对边缘设备部署需求的增长趋势，Ultralytics团队特别为YOLOv8提供了详细的指南和支持文档，方便开发者将其应用于各种硬件平台之上，比如NVIDIA Jetson系列设备[^4]。

import torch
from ultralytics import YOLO

model_v5 = YOLO('yolov5s.pt')  # 加载YOLOv5小规模预训练权重文件
model_v8 = YOLO('yolov8n.yaml').load('weights/yolov8_best.pt')  # 使用自定义配置创建YOLOv8实例并加载最优权值路径

results_v5 = model_v5(img)    # 对同一张测试图分别用两个版本做预测
results_v8 = model_v8(img)

print(results_v5.pandas().xyxy[0])  # 打印YOLOv5的结果框坐标和其他属性
print(results_v8.pandas().xyxy[0])  # 同样打印YOLOv8的结果