Что хотят услышать интервьюеры:

YOLOv8 — это одношаговый детектор объектов. Он предсказывает классы и bounding boxes за один проход по изображению, без отдельной стадии генерации region proposals. На практике это делает модель быстрее и проще в применении по сравнению с двухшаговыми детекторами.

Определение:

Одношаговый детектор сразу на выходе сети оценивает наличие объектов, их классы и координаты рамок. Двухшаговый детектор сначала предлагает кандидатов на объекты, а затем уточняет их и классифицирует. YOLOv8 относится к одношаговым моделям, потому что работает по принципу прямого предсказания детекций без отдельного этапа proposals.

Пример использования:

Например, при детекции людей, машин и дорожных знаков на видео YOLOv8 получает кадр и сразу возвращает набор объектов с координатами и вероятностями классов.

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
results = model("image.jpg")

for r in results:
    boxes = r.boxes
    for box in boxes:
        print(box.xyxy, box.conf, box.cls)

Пояснение кода:

Код загружает предобученную YOLOv8-модель и запускает детекцию на изображении. Затем из результата извлекаются найденные bounding boxes, confidence score и класс объекта. Здесь видно, что модель сразу возвращает детекции, без отдельного шага поиска кандидатов.

Ключевые моменты:

YOLOv8 — одношаговый детектор.
Он не использует классическую двухэтапную схему с region proposals.
Обычно такие модели быстрее на инференсе.
Одношаговый подход хорошо подходит для задач реального времени.
Для собеседования важно уметь противопоставить его двухшаговым детекторам вроде Faster R-CNN.

YOLOv8 является одношаговым или двухшаговым детектором?