（10）YOLOv8算法基本原理

最新推荐文章于 2025-04-13 22:23:45 发布

AI莫大猫

最新推荐文章于 2025-04-13 22:23:45 发布

阅读量1.2k

点赞数 15

分类专栏： YOLO 文章标签： YOLO 目标检测人工智能

本文链接：https://blog.csdn.net/qq191513/article/details/144620015

版权

YOLO 专栏收录该内容

14 篇文章

订阅专栏

YOLOv8由开发 YOLOv5 的公司 Ultralytics 发布。它在 YOLOv5 的基础上进行了改进，旨在进一步提高目标检测的性能和效率。

一、YOLO v8的创新点

1、YOLOv8 的骨干网络和特征整合（Neck）部分借鉴了 YOLOv7 中的 ELAN设计理念，摒弃了 YOLOv5 原有的 C3 模块，创新性地采用了 C2f 结构。这个C2f模块增强了跳层连接（Skip Connections）的运用，并对分支内部分卷积操作进行了简化或去除。

YOLOv5的C3 模块 VS YOLOv8的C2f：

2、YOLOv8 相较于 YOLOv5 做出了重大革新，采用当下流行的解耦合头部结构，将分类任务和边界框检测任务独立开来，并且放弃了传统的基于锚点（Anchor-Based）的方法，转向更为先进的无锚点（Anchor-Free）机制。

YOLOv5解耦头：

YOLOv8解耦头：

3、YOLOv8抛弃了以往的IoU分配或者单边比例的分配方式，采用了TaskAlignedAssigner策略来分配正类样本，并引入了Distribution Focal Loss，以提高模型学习的精确性和鲁棒性。

4、在训练过程中的数据增强环节，YOLOv8 采纳了 YOLOX 中的技巧，即在最后 10 个训练 epoch 中禁用 Mosaic 增强，这一策略被证明有助于提升模型的最终检测精度。YOLOv8的推理过程与YOLOv5相似，但在前面需要对Distribution Focal Loss中的积分表示bbox形式进行解码。