Yolov8代码导读+Yolov8-pose训练流程UML时序图

一、yolov8源码和权重下载

源码下载：https://github.com/ultralytics/ultralytics

权重下载：https://github.com/ultralytics/assets/releases

二、主函数编写

        为了更好的理解yolov8代码细节，复现时没有采用ultralytics预定义好的指令集，而是在根目录下创建main.py作为源码起点，从而可以更好的进行断点调试理解内部数据流，具体实现如下：

###################################################################
# flag = 0, predict detect
# flag = 1, predict pose
# flag = 2, train detect
# flag = 3, train pose
# flag = 10, transform .pt file to .onnx file
# flag = 11, add shape into onnx show by netron
###################################################################
flag = 3

if flag==0:
    from ultralytics.utils import ASSETS
    from ultralytics.models.yolo.detect import DetectionPredictor
    args = dict(model='yolov8s.pt', source=ASSETS)
    predictor = DetectionPredictor(overrides=args)
    predictor.predict_cli()
elif flag==1:
    from ultralytics.utils import ASSETS
    from ultralytics.models.yolo.pose import PosePredictor
    args = dict(model='yolov8s-pose.pt', source=ASSETS)
    predictor = PosePredictor(overrides=args)
    predictor.predict_cli()
elif flag==2:
    from ultralytics.models.yolo.detect import DetectionTrainer
    args = dict(model='yolov8s.pt', data='coco8.yaml', epochs=3)
    trainer = DetectionTrainer(overrides=args)
    trainer.train()
elif flag==3:
    from ultralytics.models.yolo.pose import PoseTrainer
    args = dict(model='yolov8s-pose.pt', data='coco8-pose.yaml', epochs=3)
    trainer = PoseTrainer(overrides=args)
    trainer.train()
elif flag==10:
    from ultralytics import YOLO
    model = YOLO('yolov8s-pose.pt')
    results = model.export(format='onnx')
elif flag==11:
    import onnx
    from onnx import shape_inference
    model_onnx = r'/data/deeplearningalgo/ultralytics/yolov8s-pose.onnx'
    onnx.save(onnx.shape_inference.infer_shapes(onnx.load(model_onnx)), model_onnx)

通过设置flag值执行yolov8的不同功能操作，其中（0，1，2，3）分别代表检测任务预测、关键点任务预测、检测任务训练、关键点任务训练，flag==10时输入为预下载好的权重文件或者本地训练保存好的权重文件，输出为转换好的onnx文件，如果更加形象的了解模型结构，可以使用netron工具打开转换好的onnx文件，直接浏览器打开Netron，打开对应的模型文件，仅通过flag==10进行转换生成的onnx文件打开无法显示输出shape，对网络结构的学习影响不小，因此还需要在此基础上继续执行flag==11的转换，才可生成带shape的模型结构图，由于学习过程中找了很久都没找到合适的网络图，所以我在这里把生成的onnx文件也上传到了资源，大家可以直接下载打开即可学习。

 三、Yolov8-pose训练流程

        yolov8工程整体代码封装的更好，和之前看yolox的代码时感受不同（可以通过vscode一路跳转），由于yolov8功能更加丰富（包括检测、分割、关键点等），通过读取不同的模型yaml文件来（路径:/your_code_path/ultralytics/cfg/v8/）配置模型参数，其中yolov8-pose.yaml如下：

# Parameters
nc: 1  # number of classes
kpt_shape: [17, 3]  # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
scales: # model compound scaling constants, i.e. 'model=yolov8n-pose.yaml' will call yolov8-pose.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]
  s: [0.33, 0.50, 1024]
  m: [0.67, 0.75, 768]
  l: [1.00, 1.00, 512]
  x: [1.00, 1.25, 512]

# 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

# 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, Pose, [nc, kpt_shape]]  # Pose(P3, P4, P5)

由于yolov8工程封装性比较好，也就导致代码阅读起来会比较困难，跳着跳着就不知道下一步要执行什么步骤了，又或者忘了之前从哪跳转过来的，基于此，为了让大家少走弯路，我将模型的训练过程绘制成了UML时序图，大家照着图去一步步看yolov8源码一定会事半功倍

总结 

        刚入门没多久，一点学习心得，希望能够帮助到大家，如果有帮助麻烦帮忙点击下收藏关注，也欢迎大家批评指正交流~