YOLOv8优改系列二：YOLOv8融合ATSS标签分配策略，实现网络快速涨点

💥 💥💥 💥💥 💥💥 💥💥神经网络专栏改进完整目录：点击
💗 只需订阅一个专栏即可享用所有网络改进内容，每周定时更新
文章内容：针对YOLOv8的Neck部分融合ATSS标签分配策略，实现网络快速涨点！！！
推荐指数（满分五星）：⭐️⭐️⭐️⭐️⭐️
涨点指数（满分五星）：⭐️⭐️⭐️⭐️⭐️

---

一、ATSS介绍

🌳论文地址：点击
🌳源码地址：点击
🌳问题阐述：多年来，目标检测一直由基于锚点的检测器主导。最近，由于 FPN 和 Focal Loss 的提出，无锚检测器变得流行起来。在本文中，我们首先指出基于anchor的检测和无anchor的检测的本质区别实际上是如何定义正负训练样本，这导致了它们之间的性能差距。如果他们在训练时采用相同的正负样本定义，那么无论从一个盒子还是一个点回归，最终的性能都没有明显的差异。如何在不依赖复杂手工设计规则的情况下，利用有限的标注数据有效地进行目标分割训练。
🌳主要思想：ATSS方法首先在每个特征层找到与GT（Ground Truth） box最近的k个候选anchor boxes（非预测结果），然后计算这些候选box与GT间的IoU（Intersection over Union），并计算IoU的均值和标准差，以此确定IoU阈值，选择IoU大于该阈值的box作为最终的正样本。如果某个anchor box对应多个GT，则选择IoU最大的GT进行匹配3。
🌳思想优点：它能够根据目标的统计信息自动选择正负样本，避免了人工设定固定阈值的问题，提高了模型的性能和效率。同时，ATSS方法只需要一个超参数k，后续的使用表明ATSS的性能对k不敏感，因此可以说ATSS是一个几乎不需要超参数的方法。

🌳算法流程图：

二、核心代码修改

2.1 修改loss文件

loss文件地址：ultralytics\utils\loss.py
修改1：

            _, target_bboxes, target_scores, fg_mask, _ = self.assigner(
                pred_scores.detach().sigmoid(),
                (pred_bboxes.detach() * stride_tensor).type(gt_bboxes.dtype),
                anchor_points * stride_tensor,
                gt_labels,
                gt_bboxes,
                mask_gt,
        )

修改为

            _, target_bboxes, target_scores, fg_mask = self.assigner_atss(
                anchors,
                n_anchors_list,
                gt_labels, 
                gt_bboxes,
                mask_gt,
                (pred_bboxes.detach() * stride_tensor_s).type(gt_bboxes.dtype),
            )

修改2：
初始化ATSS标签分配策略：
self.assigner_atss = ATSSAssigner(9, num_classes=self.nc)

2.2 创建模块文件

上面修改完之后，我们可以发现找不到ATSSAssigner类，这是因为我们还未创建此类，我们在相同的utils文件夹下，创建ATSS标签分配策略代码，命名为atss_assigner.py，内容如下：

核心模块文件，可通过关注公众号【AI-designer66】
    输入关键字 yolov8+atss 自动获取

2.3 修改训练代码

我们复制yolov8配置文件，命名为ultralytics\cfg\models\v8\YOLOv8-ATSS.yaml， 配置内容无需修改

import sys
import argparse
from ultralytics import YOLO
import os
sys.path.append(r'F:\python\company_code\Algorithm_architecture\ultralyticsPro0425-YOLOv8') # Path

def main(opt):
    yaml = opt.cfg
    weights = opt.weights
    model = YOLO(yaml).load(weights)
    model.info()
    results = model.train(data='ultralytics\cfg\datasets\coco128.yaml', 
                        epochs=10,
                        imgsz=416, 
                        workers=0,
                        batch=4,
                        )

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--cfg', type=str, default= r'ultralytics\cfg\models\cfg2024\YOLOv8-标签分配策略\YOLOv8-ATSS.yaml', help='initial weights path')
    parser.add_argument('--weights', type=str, default='weights\yolov8n.pt', help='')

    opt = parser.parse_known_args()[0] if known else parser.parse_args()
    return opt

if __name__ == "__main__":
    opt = parse_opt()
    main(opt)

运行此代码即可将ATSS结合YOLOv8进行训练。python train_v8.py --cfg ultralytics\cfg\models\v8\YOLOv8-ATSS.yaml

2.4 问题总结

1. 如果遇到v8在文件里修改了模型，但是训练时调用总是调用虚拟环境中的库。
   • 是这种情况是没有成功载入你的模块，可以将所有的ultralytics复制到你的虚拟环境，或者卸载了ultralytics环境，只能载入你的文件。
2. ModuleNotFoundError: No module named ‘timm’：
   • pip install timm -i https://pypi.tuna.tsinghua.edu.cn/simple/（高环境问题可以安装pip install timm==0.6.13）
3. ModuleNotFoundError: No module named ‘einops’
   • pip install einops -i https://pypi.tuna.tsinghua.edu.cn/simple
4. ModuleNotFoundError: No module named ‘hub_sdk’：
   • pip install hub_sdk -i https://pypi.tuna.tsinghua.edu.cn/simple/