Yolov8网络结构学习

 详解YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署

 深入解析YOLOv8：网络结构与推理过程

YOLO? You Know! --YOLOV8详解

 一：yolov8总体结构

1.Backbone:它采用了一系列卷积和 反卷积层只来提取特征，同时也使用了残差连接和瓶颈结构来减小网络的大小和提高性能。该部分采用了C2f模块作为基本构成单元，与YOLOv5的C3模块相比，C2f模块具有更少的参数量和更优秀的特征提取能力。
2.Neck:它采用了多尺度特征融合技术，将来自Backbone的不同阶段的特征图进行融合，以增强特征表示能力。具体来说，YOLOv8的Neck部分包括一个SPPF模块、一个PAA模块和两个PAN模块。
3.Head:它负责最终的目标检测和分类任务，包括一个检测头和一个分类头。检测头包含一系列卷积层和反卷积层，用于生成检测结果;分类头则采用全局平均池化来对每个特征图进行分类。

网络结构图： 

二：Backbone

YOLOv8的Backbone部分使用了C2f模块来替代了YOLOv5中的C3模块，实现了进一步的轻量化。具体来说，同时，它也保留了YOLOv5等架构中使用的SPPF(空间金字塔池化)块。

1.预处理

提取初步特征的第一个卷积层的卷积核kernel，yolov5为6x6, yolov8为3x3，感受野相比于yolov5进一步缩小。

与yolov5一样，每个卷积层的模块都采用步长为2的卷积核进行降采样操作，减少特征图的尺寸同时增加通道数。

2.C3替换成C2f

yolov5中的C3模块在yolov8中被替换为了C2f，C2f则采用了yolov7中ELAN 多层堆叠的结构，增加了更多类似resnet残差块中的跳跃连接,丰富了模型的梯度流。

​

​

在C2f模块中用到的DarknetBottleneck模块，使用多个3x3卷积核进行卷积操作，提取特征信息，同时其具有add是否进行残差链接的选项。

 ​

 而yolov5使用的Bottleneck是1×1和3×3卷积。

​

其实整个C2f模块就是一个改良版本的Darknet
首先，使用1x1卷积核将输入通道数减少到原来的1/2，以减少计算量和内存消耗。然后，使用多个3x3卷积核进行卷积操作，提取特征信息。接着，使用残差链接，将输入直接加到输出中，从而形成了一条跨层连接。最后，再次使用1x1卷积核恢复特征图的通道数。

yolo从v2起，backbone主要是Darknet。

三：Neck

Neck主要起到特征融合的作用，yolov8的neck依然采用PAN-FPN。

四：Head

 YOLOv8采用了解耦头结构，将分类和检测任务分离开来。这种设计允许模型的每个部分专注于其特定的任务，提高了分类的准确性和检测的精确性。