YOLOv8配置文件yolov8.yaml解读

已于 2024-08-02 18:01:13 修改
阅读量4.4k 收藏 19
点赞数 12
分类专栏： YOLO 深度学习 文章标签： YOLO 数据库
于 2023-12-08 19:20:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chen_blog/article/details/134885340
版权

位置

该文件的位置位于 ./ultralytics/cfg/models/v8/yolov8.yaml

模型参数配置

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
  • nc 是分类的数量
  • scales 下设置了不同模型的规模权重
  • depth 深度，控制子模块的数量 = int(number * depth)
  • width 宽度，控制通道(channels)的大小 = int(number * width)
  • max_channels 最大通道数

backbone 模块配置

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9
  • from 表示当前模块的输入来自哪一层的输出 ，-1表示来自上一层的输出 ，层编号从0开始计
  • repeats 表示当前模块的理论重复次数，实际的重复次数正是要根据上面的规模权重来计算后得到，这个参数会影响网络的整体深度
  • module 模块类名，通过这个类名在common.py中寻找相应的类，进行模块化的搭建网络
  • args 是一个列表，提供了模块搭建所需要的参数，channel, kernel_size, stride, padding, bias等。

head 模块配置

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

这里配置的是模型的head部分，其结构和使用规则与backbone一致

任务

根据提供的yolov8n yolov8s的模型输出，推测yolov8l的模型输出

yolov8n


                   from  n    params  module                                       arguments                     
  0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]                 
  1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]                
  2                  -1  1      7360  ultralytics.nn.modules.block.C2f             [32, 32, 1, True]             
  3                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]                
  4                  -1  2     49664  ultralytics.nn.modules.block.C2f             [64, 64, 2, True]             
  5                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  6                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]           
  7                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  8                  -1  1    460288  ultralytics.nn.modules.block.C2f             [256, 256, 1, True]           
  9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  1     37248  ultralytics.nn.modules.block.C2f             [192, 64, 1]                  
 16                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]                
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  1    123648  ultralytics.nn.modules.block.C2f             [192, 128, 1]                 
 19                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]                 
 22        [15, 18, 21]  1    897664  ultralytics.nn.modules.head.Detect           [80, [64, 128, 256]]          
YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs

yolov8s

                from  n    params  module                                       arguments                     
  0                  -1  1       928  ultralytics.nn.modules.conv.Conv             [3, 32, 3, 2]                 
  1                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]                
  2                  -1  1     29056  ultralytics.nn.modules.block.C2f             [64, 64, 1, True]             
  3                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  4                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]           
  5                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  6                  -1  2    788480  ultralytics.nn.modules.block.C2f             [256, 256, 2, True]           
  7                  -1  1   1180672  ultralytics.nn.modules.conv.Conv             [256, 512, 3, 2]              
  8                  -1  1   1838080  ultralytics.nn.modules.block.C2f             [512, 512, 1, True]           
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  1    591360  ultralytics.nn.modules.block.C2f             [768, 256, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]                 
 16                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]                 
 19                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  1   1969152  ultralytics.nn.modules.block.C2f             [768, 512, 1]                 
 22        [15, 18, 21]  1   2147008  ultralytics.nn.modules.head.Detect           [80, [128, 256, 512]]         
YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs

yolov8l

通过对比最上面的scales和上面两个输出，可以发现，卷积的通道大小被width来控制，模块重复次数由depth来控制，对照可以写下v8l的输出

                   from  n    params  module                                       arguments                     
  0                  -1  1      1856  ultralytics.nn.modules.conv.Conv             [3, 64, 3, 2]                 
  1                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  2                  -1  3    279808  ultralytics.nn.modules.block.C2f             [128, 128, 3, True]           
  3                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  4                  -1  6   2101248  ultralytics.nn.modules.block.C2f             [256, 256, 6, True]           
  5                  -1  1   1180672  ultralytics.nn.modules.conv.Conv             [256, 512, 3, 2]              
  6                  -1  6   8396800  ultralytics.nn.modules.block.C2f             [512, 512, 6, True]           
  7                  -1  1   2360320  ultralytics.nn.modules.conv.Conv             [512, 512, 3, 2]              
  8                  -1  3   4461568  ultralytics.nn.modules.block.C2f             [512, 512, 3, True]           
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  3   4723712  ultralytics.nn.modules.block.C2f             [1024, 512, 3]                
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  3   1247744  ultralytics.nn.modules.block.C2f             [768, 256, 3]                 
 16                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]              
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  3   4592640  ultralytics.nn.modules.block.C2f             [768, 512, 3]                 
 19                  -1  1   2360320  ultralytics.nn.modules.conv.Conv             [512, 512, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  3   4723712  ultralytics.nn.modules.block.C2f             [1024, 512, 3]                
 22        [15, 18, 21]  1   5644480  ultralytics.nn.modules.head.Detect           [80, [256, 512, 512]]
好名让狗申请了
关注
专栏目录
YOLOv8模型：从YAML文件到模型定义（代码逐行解析）
走向CTO的路上...
08-03 776
YOLOv8是目前最先进的目标检测算法之一，它以其速度和精度著称。YOLOv8模型的定义通常使用YAML文件进行配置，该文件包含模型的各种参数和结构信息。本文将对YOLOv8模型的YAML文件进行逐行解析，帮助读者理解模型的定义过程。YOLOv8模型具有速度快、精度高、易于部署等优点，已成为目前最受欢迎的目标检测模型之一。YOLOv8模型的出现，显著提高了目标检测技术的性能和应用范围，为各种智能应用场景提供了强大的工具。
YOLOv8入门 | yaml文件解读，YOLOv8网络结构打印以及网络结构图绘制【小白必看】
kay_545
07-31 3393
yolov8模型搭建，yolov8详细解读，yolov8创新必会内容
yolov8.yaml
最新发布
2301_76846375的博客
10-06 1414
前面说了yolov8的核心代码放在ultralytics里面，今天我们一起学习一下YOLOv8模型下的Ultralytics文件目录结构。: 这个文件夹通常存放与模型相关的资源文件，可能包括训练过程中的日志、模型可视化图像、模型说明文档等。: 存放配置文件（configuration files），这些文件定义了YOLOv8模型的架构、训练和测试参数，例如网络层数、学习率、数据增强等。
【YOLOv8模型网络结构图理解】
热门推荐
dally2的博客
03-12 4万+
YOLOv8模型网络结构图理解
YOLOv8-第Y8周：yolov8.yaml文件解读
weixin_54533484的博客
12-08 5684
YOLOv8的backbone，每一个模块算一行，每行由四个参数构成。head部分的数据格式核backbone一样。三个参数对比模型结构输出的异同。
深入理解 YOLOv8：解析.yaml 配置文件目标检测、实例分割、图像分类、姿态检测
CDBmax的博客
12-27 1万+
YOLOv8系列模型展示了其在多个计算机视觉任务中的适应性和高效性。通过其多样化的配置文件，YOLOv8不仅在目标检测领域表现出色，还成功扩展到实例分割、图像分类和关键点/姿态估计等领域。每个配置文件针对特定任务优化，从而确保模型在处理不同类型的视觉数据时保持高准确率和效率。这种灵活性和多功能性使得YOLOv8成为当前最先进的视觉识别系统之一，为未来的技术创新和应用提供了广阔的可能性。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。
第Y8周:yolov8.yaml文件解读
ck1487921366的博客
04-26 1783
本周的任务：基于YOLOv8n和YOLOv8s模型的结构，手写出YOLOv8l的模型输出。为了完成这个任务，我首先深入分析了yolov8.yaml的参数配置，这让我对模型的细节有了更深入的理解。接着，我研究了backbone模块和head模块，这些是模型中至关重要的部分。通过分析YOLOv8n和YOLOv8s，我能够逐步构建出YOLOv8l.yaml文件的模型结构输出。这个过程不仅考验了我的技术能力，还锻炼了我的逻辑思维和问题解决能力。
万字长文，YOLOv8 yaml 文件解析 | 一文搞定 YOLOv8 分类任务，检测任务，分割任务，关键点任务
YOLOv8项目贡献者
08-24 1万+
YOLOv8 yaml 文件解析 | 一文搞定 YOLOv8 分类任务，检测任务，分割任务，关键点任务
结合YOLOv8源码逐层解读yaml文件的配置
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
04-11 1460
yolov8.yaml可在此链接下载 : https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8nc：数据集类别数scales：不同尺寸的模型大小 Backbone 骨干 [from， repeats， module， args]# from：来源，也就是输入。 -1代表将上层得输入作为本层的输出repeats：重复次数module：名称args：参数第0层：[-1， 1， Conv， [64， 3，
一文弄懂 | YOLOv8网络结构解读 、yolov8.yaml配置文件详细解读与说明、模型训练参数详细解析 | 通俗易懂！入门必看系列！
qq_45972324的博客
08-21 5662
YOLOV8入门必看系列！弄懂YOLOv8模型，看这一篇文章就够了，通俗易懂！ | 弄懂 YOLOv8网络结构解读 、yolov8.yaml配置文件详细解读与说明、模型训练参数详细解析 与说明。
YOLOv5s.yaml文件解读
zzpl139的博客
12-22 3998
YOLOv5s.yaml文件解读并改动
YOLOv8模型yaml结构图理解（逐层分析）
Java开发，人工智能，边缘计算，致力于掌握前沿技术
01-05 2万+
它展示了模型的三个主要部分：Backbone（主干网络）、Neck（颈部网络）和 Head（头部网络），以及它们的子模块和连接方式。YOLOv8的配置文件定义了模型的关键参数和结构，包括类别数、模型尺寸、骨架（backbone）和头部（head）结构。其中，x_{i} 是真实边界框的坐标，而 \hat{x}_{i} 是预测边界框的坐标。该损失计算预测与实际坐标之间的差异的平方和。其中，Area of Overlap是预测边界框和真实边界框重叠的区域面积，Area of Union是两个边界框覆盖的总面积。
YOLO-v8：yolov8配置文件（yolov8.yaml）说明
养乐多的博客
09-10 2401
本文将介绍yolov8的网络配置文件中代码的具体含义，和各个参数的含义。
一文弄懂|YOLOv8网络结构配置文件，yolov8.yaml详细解读与说明
阿旭的博客
08-17 5015
一文弄懂|YOLOv8网络结构配置文件，yolov8.yaml详细解读与说明
yolov8模型yaml文件解读
wl30130611的博客
03-05 1103
以C2f[128,true]为例，128是输出feature map的通道数，True代表Bottleneck模块中shortcut=True， 没有写表示False。from: 输入，-1表示上层的输出作为本层的输入， [15, 18, 21] 为索引值，表示detect层的输入为第15层、18层、21层的输出。以nn.upsample为例， None表示不指定输出尺寸， 2表示输出尺寸为输入尺寸的2倍，“nearest”表示上采样差值方式为最近邻差值。repeats: 模块的重复次数。
YOLOV8的yolov8.yaml解读
qq_66919612的博客
08-29 371
​ 以backbone中第二层的结构[-1, 1, Conv, [128, 3, 2]], # 1-P2/4为例，列表中的第一个参数-1表示该层的输入来自上一层，第二个参数1表示该模块有1个，第三个参数Conv表示该模块为Conv（卷积）模块，第四个参数[128, 3, 2]为当前（Conv卷积）模块的参数，第一个参数表示输出的feature map通道数为128，3表示卷积核为3×3大小，2表示卷积的步长为2。
YOLOv8魔改核心-模型yaml文件解析与网络结构打印
mw的博客
07-25 2329
本篇文章主要用于YOLOv8中网络模型yaml文的解读，我们一般只知道如何去训练模型，和配置yaml文件，但是对于yaml文件是如何输入到模型里，模型如何将yaml文件解析出来的确是不知道的，下面我们从yaml文件来讲解。
yolov8修改yaml文件，yolov8模型重复加载，无法确定模型的大小等等问题
qq_45876890的博客
12-14 4579
11月份yolov8一些小bug问题的解决，包括迁移学习，修改配置文件，修改源码让界面中的bug更少。
yolov7中yolov7.yaml文件解读
09-01
yolov7.yaml 文件是 YOLOv7 模型的配置文件，用于定义模型的结构和参数。下面是对 yolov7.yaml 文件的解读： 1. `model` 部分定义了模型的整体结构和超参数： - `type`：模型类型，通常为 "YOLOv3" 或 "YOLOv4"。 - `depth`：模型的深度，即层数。 - `width_multiple`：模型宽度的倍数，用于控制模型的通道数。默认值为 1.0。 - `anchors`：锚框的尺寸，用于检测不同大小的目标。 - `backbone`：主干网络的配置，用于提取特征。 - `neck`：特征融合部分的配置，用于增强特征表示能力。 - `head`：检测头部的配置，用于预测目标框和类别。 2. `train` 部分定义了训练时需要的参数： - `epochs`：训练的总轮数。 - `batch_size`：每个批次的样本数。 - `subdivisions`：将一个批次分成多个子批次进行梯度累积，减少显存占用。 - `learning_rate`：初始学习率。 - `momentum`：动量参数。 - `weight_decay`：权重衰减参数。 - `lr_steps`：学习率衰减的步数和衰减率。 3. `test` 部分定义了测试时需要的参数： - `batch_size`：每个批次的样本数。 - `confidence_threshold`：目标置信度的阈值。 - `nms_threshold`：非最大抑制的阈值。 这些只是 yolov7.yaml 文件的一部分，具体的内容和参数配置可以根据实际情况进行调整。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值