YOLOv8 是一种开源目标检测算法（模型），是 YOLO(You Only Look Once) 系列算法的最新版本。它使用单次预测框架对图像中的对象进行定位和分类。这种方法可以检测多个对象，并且速度更快，准确率更高。
参考本节，体验使用 YOLO 系列中精度最高的 yolov8x 推理预测交通信息，包括：识别交通工具、车辆进区域计数、车辆越线计数。

创建项目

1. 单击平台项目页右上角的 创建项目，随后在弹框中配置项目的基本信息。

   • 项目名称：可自定义，如 “交通流监控体验”。
   • 项目描述：如 “使用 yolov8 体验交通交通监控”。

   

2. 单击 确定，项目创建成功，并进入 初始化开发环境 引导页。

3. 在 初始化开发环境 页中配置如下信息，其他参数保持默认值。

   • 资源配置：选择 基础版 中 B1.medium。
   • 镜像：选择 公开 镜像 yolov8监控交通流-体验镜像（作者为 “趋动云小助手”），方法参考下图。
   • 数据：选择 社区 > 全部 下的 trafficMonitor 数据集，方法参考下图。
   • 模型：选择公开模型 yolov8（作者为 “趋动云小助手”），方法参考下图。
   • 自动停止（高级设置 中）：选择 2小时。

   

4. 随后单击右下角 我要上传代码，暂不启动，进入 项目代码 页。

上传代码

1. 项目代码 页中单击 按钮。

2. 选择 网页上传文件，并上传 已获取的代码 (opens new window)。
   

3. 在代码压缩包后的 ... 中选择 解压缩，解压刚才上传的代码包。
   

4. 解压完成后，单击 结束编辑，退出代码编辑模式。

查看推理所需模型及数据

项目详情切换到 数据模型 页，查看开发环境关联的数据和模型，待开发环境启动时将会自动挂载关联的数据与模型。

• 数据，本次用来推理的原始视频，即数据集 trafficMonitor 中的这些视频，可下载后观看，以便与推理后的视频对比。
• 模型，下拉框中切换为 yolov8 可查看本次用来做推理的模型，即 yolov8 中的权重文件，包含 yolov8l.pt、yolov8n.pt、yolov8x.pt，您可以在体验时替换权重文件，感受训练的速度和效果的区别。

推理

该项目共为您提供了 4 个推理体验，您可以选择其中一个体验，也可以逐个都体验一遍。
以下以 “体验3:车辆越线计数-简单场景” 为例为您说明如何推理：

1. 单击右上角 启动开发环境，并等待开发环境启动完成。
   

2. 单击 进入开发环境，默认进入 JupyterLab 页面。

3. 双击左侧目录中 “体验3:车辆越线计数-简单场景.ipynb” ，切换至该文件。

   说明：体验其他推理，则双击其他文件。

   双击左边栏 ≡，可切换到该文件的内容页，了解该推理的详细步骤信息。
   

4. 一键运行该案例的所有步骤。

   

   运行时，如下图所示，右上角圆圈的空心圆表示未开始或者运行完成，其他状态表示代码正在运行，等待所有步骤执行完成，则推理完成。
   当左侧文件大纲上的所有圆圈（无论空心还是实心）都消失，表示所有步骤都执行完成。
   

5. 切回到文件目录，检查当前目录（/gemini/code/）是否生成相应推理结果视频，下载并观看。
   

推理结果说明

• 体验1：推理结果生成在 ~/runs/detect/predict/ 中。
  如下图所示，yolov8 识别出了所给视频中各类物品，并给出了物品名称，如视频换成交通视频，则能够识别出视频中的交通工具类别，如是自行车、摩托车、小轿车、卡车或公交车等。
  

• 体验2：推理结果生成在当前目录，以 out-原始文件名 命名。
  如下图所示，yolov8 检测车辆是否进入线框区域，进入则计数，并实时反馈车辆进区域的总数。
  

• 体验3：推理结果生成在当前目录，以 out-原始文件名 命名。
  如下图所示，yolov8 检测车辆是否过线，过线后则计数，in 表示车辆驶出过线数， out 表示车辆驶来过线数。
  

• 体验4：推理结果生成在当前目录，以 out-原始文件名 命名。
  同体验3一样，但场景换成了车辆更多、更快、更密集的上海宜山路隧道。
  

异常处理

1. 推理过程中报错 “out of Memory”。
   可能是当前开发环境并发任务较多（多个推理同时在进行），您可选择停掉其他任务或在 开发环境实例 页更改实例规格为更大资源量的规格，如B1.large。
   

2. 推理过程中报错 “yolo: not found”。 确认镜像选择正确，应为 yolov8监控交通流-体验镜像，确认方法如图。