yolov8n.pt 是 Ultralytics YOLOv8 目标检测系列中，最小最轻量 的预训练权重文件。
1. 名称拆解
yolov8：基于最新的 YOLOv8 目标检测算法。n(nano) ：代表模型规格为超微型（nano）。.pt：是 PyTorch 框架保存模型权重的文件后缀。
2. 核心参数与特点
- 参数量 ：约 3.2M（320万参数）
- 计算量 (FLOPs) ：约 8.7B
- COCO 数据集精度 (mAP@0.5:0.95) ：37.3%
- 优势 ：
- 极致轻量化：文件体积极小（约13MB），占用内存少。
- 推理速度极快 ：适合实时检测。
- 边缘部署友好 ：专为手机、树莓派、Jetson Nano 等低算力/嵌入式设备设计。
- 局限 ：精度低于 YOLOv8s/m/l/x，对极小目标、密集遮挡场景的检测效果较弱。
3. 主要用途
- 开箱即用 ：直接用于检测 COCO 数据集的80类常见物体（人、车、猫、狗、杯子、椅子等）。
- 迁移学习 ：作为预训练权重 ，在自己的数据集上微调训练，快速开发特定场景检测器（如：安全帽检测、工业缺陷检测）。
- 模型部署 ：可导出为 ONNX、TensorRT、OpenVINO 等格式，用于生产环境部署。
4. 与其他模型对比（YOLOv8系列）
| 模型 | 参数量 (M) | 精度 (mAP) | 速度 | 适用场景 |
|---|---|---|---|---|
| yolov8n.pt | 3.2 | 37.3 | 最快 | 边缘设备、移动端、高实时性 |
| yolov8s.pt | 11.1 | 44.9 | 快 | 通用场景、平衡性能 |
| yolov8m.pt | 25.8 | 50.2 | 中 | 复杂场景、较高精度 |
| yolov8l.pt | 43.6 | 52.9 | 慢 | 高精度要求 |
| yolov8x.pt | 68.2 | 53.9 | 最慢 | 服务器端、极限精度 |
5. 简单使用示例 (Python)
python
from ultralytics import YOLO
# 加载模型
model = YOLO('yolov8n.pt')
# 对图片进行推理
results = model('https://ultralytics.com/images/bus.jpg')
# 打印结果
results[0].show()6.模型导出示例(Python)
python
from ultralytics import YOLO
# 1. 加载训练好的模型
model = YOLO('yolov8n.pt')
# 2. 导出为 ONNX 格式
# opset=12 是兼容性较好的版本，simplify=True 会简化计算图，去除冗余节点
model.export(format='onnx', opset=12, simplify=True) 产出物： 你会得到一个 yolov8n.onnx 文件。这就是你的"模型资产"，它包含了网络结构和权重。