yolov8模型结构

backbone结构：

from：

-n，代表是从前n层获得的输入

-1，表示从前一层获得输入

repeats：

表示模块的数目

Module：

表示网络模块的名称

args：

表示向不同模块内传递的参数

[输出通道数（ch_out），卷积核（kernel），步长（stride），padding（填充），groups（分组）]

这里没有输入通道数，原因是都是上一层的输出

具体的程序注释如下：

backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2         第0层，使用64个3x3的卷积核，步长为2进行卷积，得到P1/2特征图
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4        第1层，使用128个3x3的卷积核，步长为2进行卷积，得到P2/4特征图
  - [-1, 3, C2f, [128, True]]                  #第2层，进行3次池化操作，每次操作使用128个通道，最后一次操作使用降维（True）
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8        第3层，使用256个3x3的卷积核，步长为2进行卷积，得到P3/8特征图
  - [-1, 6, C2f, [256, True]]                  #第4层，进行6次池化操作，每次操作使用256个通道，最后一次操作使用降维（True）
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16       第5层，使用512个3x3的卷积核，步长为2进行卷积，得到P4/16特征图
  - [-1, 6, C2f, [512, True]]                  #第6层，进行6次池化操作，每次操作使用512个通道，最后一次操作使用降维（True）
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32      第7层，使用1024个3x3的卷积核，步长为2进行卷积，得到P5/32特征图
  - [-1, 3, C2f, [1024, True]]                 #第8层，进行3次池化操作，每次操作使用1024个通道，最后一次操作使用降维（True）
  - [-1, 1, SPPF, [1024, 5]]  # 9               第9层，使用1024个通道的SPPF（空间金字塔池化）层，使用5个不同大小的池化核进行池化操作

然后，P1/2表示进行操作后的图形大小

举例，yolov8的输入为：3x640x640

args：为[64,3,2],[ch_out,kernel,stride]

特征图计算公式为：

Feature_new（W,H）=(Feature_old-kernel+2*padding)/stride+1

=(640-3+2*1)/(2+1)=320,为原图的一半

head结构：

head：连接部分

10，12，13，15，16，18，19，21层与backbone中层含义一样

11层的意思为：

[-1,6]:将上一层和第6层进行连接

1：重复次数为1

concat：层的名字（意思为连接）

14，17，20层以此类推

22层次的意思为：

[15,18,21]:15层，18层，21层，进行检测

[nc]:为目标的数量

scales部分

此部分为模型的参数，有n，s，m，l，x，5个不同的版本

[depth,width,max_channels]

depth:用于控制模型的深度，仅在repeats不等于1的时候启用

width：用于控制模型的宽度，主要用于args中的ch_out

举例：

以n模型下的，第一层和第三层为例，

 第一层：[-1, 1, Conv, [64, 3, 2]] # 0-P1/2

此时卷积核为64*0.25=16

第三层：[-1, 3, C2f, [128, True]]

此时的重复次数为3*0.33=1

最后附上官网的结构图

到此结束，随着学习会更新变化