yolov8学习笔记（一）网络结构

一、yolov8.yaml

YOLOv8详解 【网络结构+代码+实操】：

YOLOv8详解 【网络结构+代码+实操】-CSDN博客文章浏览阅读10w+次，点赞559次，收藏2.9k次。YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求Backbone骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的C3结构换成了梯度流更丰富的C2f结构，并对不同尺度模型调整了不同的通道数。_yolov8https://blog.csdn.net/zyw2002/article/details/128732494

YOLOv8源码逐行解读（yolov8.yaml）：

YOLOv8源码逐行解读（yolov8.yaml）（更新中）-CSDN博客

yolov8官方文档：

主页 -Ultralytics YOLOv8 文档

yolov8.yaml是一个用于目标检测的模型配置文件，使用了YOLOv8算法。

该文件定义了网络的结构、超参数、输入输出等信息。

nc指定了目标检测任务中要识别的物体类别数，

scales定义了不同规模的模型参数，

backbone定义了模型【主干网络结构】，

head定义了目标检测任务的【头部网络结构】，

最后通过Detect函数输出检测结果。

这个模型可以根据不同的scale参数选择不同大小的模型进行训练和预测。

1、backbone

骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数。

  # [from, repeats, module, args] 

from：本层的来源，也就是输入。-1表示将上层的输出作为本层的输入。

repeats：本层的重复次数。

module：本层的名称。

args：本层的参数。

Backbone和Neck的具体变化

a) 第一个卷积层的 kernel 从 6x6 变成了 3x3

b) 所有的 C3 模块换成 C2f，结构如下所示，可以发现多了更多的跳层连接和额外的 Split 操作

（1）特征图（计算公式）

（2）9层操作——卷积、C2f、SPPF

（2）C2f 

去掉了 Neck 模块中的 2 个卷积连接层

 

Bottleneck

YOLOv8的C2F使用了Bottleneck单元，但需要注意的是，Darknet所引入的Bottleneck不同于ResNet的Bottleneck。

此处大家记住一点即可，Bottleneck可以大大减少参数，降低计算量。

（2）SPPF

暂无

2、head

（1）10~21层

（1）22层——detect层

[15, 18, 21]代表将第15、18、21层的输出（分别是80*80*256、40*40*512、20*20*1024）作为本层的输入。

nc是数据集的类别数。

3、scales

4、网络模型解析

（1）Conv

• 功能： 标准的卷积
• 参数：输入通道数（c1）, 输出通道数（c2）, 卷积核大小（k，默认是1）, 步长（s,默认是1）, 填充（p，默认为None）, 组（g, 默认为1）, 扩张率（d，默认为1）, 是否采用激活函数（act ，默认为True, 且采用SiLU为激活函数）

（1）Loss

Loss 计算过程包括 2 个部分： 正负样本分配策略和 Loss 计算。

笔记下载

https://wwm.lanzout.com/isyZD1p3puyj
密码:hoab