> For the complete documentation index, see [llms.txt](https://dh-organization.gitbook.io/droneshub-rover-kontakt/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://dh-organization.gitbook.io/droneshub-rover-kontakt/iskusstvennyi-intellekt/neironnaya-set-i-mashinnoe-zrenie./sozdanie-novoi-modeli-yolov8.md).

# Создание новой модели YOLOv8

## Создание и подготовка датасета в Roboflow

1. **Загрузка изображений**: Сначала загрузите ваш архив с подготовленными фотографиями на платформу Roboflow.
2. **Создание нового проекта**: Перейдите на Roboflow и создайте новый проект, выбрав тип 'Object Detection'.
3. **Добавление изображений в проект**: Загрузите ваши изображения в созданный проект.

<figure><img src="/files/KdaE4EA0vE5pZ9Nfl4Vw" alt=""><figcaption></figcaption></figure>

**Аннотация изображений**: Определите классы и обозначьте объекты на изображениях, используя инструменты аннотации (например, Polygon). Сохраните аннотации.

<figure><img src="/files/GPDBX8Sxa42IgZyXP5vZ" alt=""><figcaption></figcaption></figure>

**Настройка параметров датасета**: Не изменяя предложенные параметры, перейдите к следующему шагу.

<figure><img src="/files/N5VDqlsFTtXoYVNWB9Ov" alt=""><figcaption></figcaption></figure>

**Генерация датасета**: Выберите необходимые фильтры и параметры для генерации датасета. Экспортируйте его в формате YOLOv8.

<figure><img src="/files/tTXNiazX2vAre3VT3d8f" alt=""><figcaption></figcaption></figure>

## Обучение модели YOLOv8 с помощью Ultralytics Hub

**Загрузка датасета**: После генерации датасета в Roboflow, загрузите полученный файл в формате .zip на платформу [Ultralytics Hub](https://hub.ultralytics.com/home).

<figure><img src="/files/S5hqG9xUt3t7KaWOzmoS" alt=""><figcaption></figcaption></figure>

**Настройка проекта**: Создайте новый проект в Ultralytics Hub, присвоив ему имя и выбрав тип модели YOLOv8.

<figure><img src="/files/qMlBJn0fWDYpC3cdowZQ" alt=""><figcaption></figcaption></figure>

**Запуск обучения**: Используйте возможности Ultralytics Hub для запуска тренировки вашей модели на основе загруженного датасета. Выберите необходимые параметры и начните процесс обучения.

<figure><img src="/files/6uE6tldzLxr3WtmMQN1x" alt=""><figcaption></figcaption></figure>

## Экспорт и использование обученной модели

<figure><img src="/files/ymuPIrh2iA4jYLUzSI53" alt=""><figcaption></figcaption></figure>

**Скачивание модели**: По завершении тренировки скачайте обученную модель.

**Установка необходимых библиотек**: Установите библиотеку `ultralytics` с помощью команды `pip install ultralytics` для работы с моделью на вашем ПК.

**Интеграция и использование модели**: Используйте обученную модель для распознавания объектов в новых изображениях или видео.&#x20;

```
from ultralytics import YOLO

# Загрузить модель
model = YOLO('yolov8n.pt')  # предобученная модель YOLOv8n, указать название вашей модели

# Выполнить пакетное распознавание для списка изображений
results = model(['im1.jpg', 'im2.jpg'])  # возвращает список объектов Results

# Обработка списка результатов
for result in results:
    boxes = result.boxes  # объект Boxes для вывода ограничивающих рамок
    masks = result.masks  # объект Masks для вывода масок сегментации
    keypoints = result.keypoints  # объект Keypoints для вывода ключевых точек
    probs = result.probs  # объект Probs для вывода результатов классификации
    obb = result.obb  # объект Oriented boxes для вывода ориентированных рамок
    result.show()  # показать на экране
    result.save(filename='result.jpg')  # сохранить на диск изображение с результатом обработки

```

Больше примеров кода и более подробную информацию можно найти в [документации Ultralytics](https://docs.ultralytics.com/quickstart/#install-ultralytics).