YOLOv8实战：遥感目标检测（RSOD）系统

1.YOLOv8介绍

改进点：

1. Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；
2. PAN-FPN：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块；
3. Decoupled-Head：是不是嗅到了不一样的味道？是的YOLOv8走向了Decoupled-Head；
4. YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；
5. 损失函数：YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；
6. 样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式。

1.1 C2f模块介绍

C2f模块就是参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。 

 代码：

class C2f(nn.Module):
    # CSP Bottleneck with 2 convolutions
    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        self.c = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, 2 * self.c, 1, 1)
        self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))

    def forward(self, x):
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))

2.遥感目标检测——RSOD

2.1 RSOD数据集

下载路径：https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-

本文选择aircraft dataset,oiltank

数据集两个类别大小611张，随机按照8:1：1进行分配

 3.训练结果可视化分析

YOLOv8 summary (fused): 168 layers, 3006038 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 4/4 [00:06<00:00,  1.54s/it]
                   all        109       1153      0.962      0.945      0.984      0.728
              aircraft        109        844      0.957      0.943      0.979      0.678
               oiltank        109        309      0.967      0.947      0.989      0.778
Speed: 0.3ms preprocess, 2.3ms inference, 0.0ms loss, 2.0ms postprocess per image

训练结果如下：

P_curve.png

表示准确率与置信度的关系图线，横坐标置信度。

由下图可以看出置信度越高，准确率越高。

PR_curve.png

PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系。

 R_curve.png

召回率与置信度之间关系，具体参照 P_curve。

results.png

（1，1），（2，1）：该图分别表示训练时和验证时ClOU损失函数的均值，越小方框越准。

（1，2），（2，2）：推测为目标检测loss均值，越小目标越准。

（2，4），（2，5）：表示在不同IoU阈值时计算每一类中所有图片的AP然后所有类别求取均值。

mAP_0.5:0.95表示从0.5到0.95以0.05的步长上的平均mAP.