《博主简介》
小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
👍感谢小伙伴们点赞、关注！
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
引言
这篇文章主要介绍一下关于YOLOv8的网络结构配置文件yolov8.yaml的详细解读与说明。帮助各位小伙更好的理解YOLOv8网络结构的配置文件写法，也便于后期自己对于网络结构进行改进，然后修改配置文件。
网络结构
YOLOv8网络主要包含3个部分【Backbone，Neck, Head】,主要作用如下：
-
Backbone主干网络是模型的基础，负责从输入图像中提取特征。这些特征是后续网络层进行目标检测的基础。 在YOLOv8中，主干网络采用了类似于CSPDarknet的结构。
-
Neck颈部网络位于主干网络和头部网络之间，它的作用是进行特征融合和增强。
-
Head头部网络是目标检测模型的决策部分，负责产生最终的检测结果。
yolov8.yaml配置文件的作用就是根据文件内容，构建出上述整个网络。下面对yolov8.yaml配置文件进行详细讲解。
配置文件
关于YOLOv8网络的配置文件yolov8.yaml的详细内容如下：
配置文件主要分为三个部分: 参数部分【Parameters】，主干部分【backone】，头部部分【head】。下面分别对这几个部分进行详细说明。
参数部分【Parameters】
nc: 80指的是数据集中的类别数量。scales代表模型尺寸，分了n,s,m,l,x这5个不同大小的尺寸，参数量依次从小到大。[depth, width, max_channels]分别表示网络模型的深度因子、网络模型的宽度因子、最大通道数。depth深度因子的作用：表示模型中重复模块的数量或层数的缩放比例。这里主要用来调整C2f模块中的子模块Bottelneck重复次数。比如主干中第一个C2f模块的number系数是3，我们使用0.33x3并且向上取整就等于1了，这就代表第一个C2f模块中Bottelneck只重复一次；width宽度因子的作用：表示模型中通道数（即特征图的深度）的缩放比例,如果某个层原本有64个通道，而width设置为0.5，则该层的通道数变为32。比如使用yolov8n.yaml文件，参数为[0.33, 0.25, 1024]。第一个Conv模块的输出通道数写的是64，但是实际上这个通道数并不是64，而是使用宽度因子0.25x64得到的最终结果16；同理，C2f模块的输出通道虽然在yaml文件上写的是128，但是在实际使用时依然要乘上宽度因子0.25，那么第一个C2f模块最终的到实际通道数就是0.25x128 = 32。如下图所示，其他的依次类推。max-channels表示每层最大通道数。每层的通道数会与这个参数进行一个对比，如果特征图通道数大于这个数，那就取max_channels的值。
主干部分【backbone】
主干部分有四个参数[from, number, module, args] ，解释如下：
from，这个参数代表从哪一层获得输入，-1就表示从上一层获得输入，[-1, 6]就表示从上一层和第6层这两层获得输入。第一层比较特殊，这里第一层上一层 没有输入，from默认-1就好了。number，这个参数表示模块重复的次数，如果为3则表示该模块重复3次，这里并不一定是这个模块的重复次数，也有可能是这个模块中的子模块重复的次数。对于C2f模块来说，这个number就代表C2f中Bottelneck模块重复的次数。module，这个就代表你这层使用的模块的名称，比如你第一层使用了Conv模块，第二层使用了C2f模块。args，表示这个模块需要传入的参数，第一个参数均表示该层的输出通道数。对于第一层conv参数【64,3，2】：64代表输出通道数，3代表卷积核大小k，2代表stride步长。每层输入通道数，默认是上一层的输出通道数。
每一层解释如下，见注释：
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 第0层，-1代表将上层的输入作为本层的输入。第0层的输入是640*640*3的图像。Conv代表卷积层，相应的参数：64代表输出通道数，3代表卷积核大小k，2代表stride步长。
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 第1层，本层和上一层是一样的操作（128代表输出通道数，3代表卷积核大小k，2代表stride步长）
- [-1, 3, C2f, [128, True]] # 第2层，本层是C2f模块，3代表本层重复3次。128代表输出通道数，True表示Bottleneck有shortcut。
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 第3层，进行卷积操作（256代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为80*80*256（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/8。
- [-1, 6, C2f, [256, True]] # 第4层，本层是C2f模块，可以参考第2层的讲解。6代表本层重复6次。256代表输出通道数，True表示Bottleneck有shortcut。经过这层之后，特征图尺寸依旧是80*80*256。
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 第5层，进行卷积操作（512代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为40*40*512（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/16。
- [-1, 6, C2f, [512, True]] # 第6层，本层是C2f模块，可以参考第2层的讲解。6代表本层重复6次。512代表输出通道数，True表示Bottleneck有shortcut。经过这层之后，特征图尺寸依旧是40*40*512。
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 第7层，进行卷积操作（1024代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为20*20*1024（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/32。
- [-1, 3, C2f, [1024, True]] #第8层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数，True表示Bottleneck有shortcut。经过这层之后，特征图尺寸依旧是20*20*1024。
- [-1, 1, SPPF, [1024, 5]] # 9 第9层，本层是快速空间金字塔池化层（SPPF）。1024代表输出通道数，5代表池化核大小k。结合模块结构图和代码可以看出，最后concat得到的特征图尺寸是20*20*（512*4），经过一次Conv得到20*20*1024。
其他说明：
各层注释中的P1/2表示该层特征图缩放为输入图像尺寸的1/2，是第1特征层；P2/4表示该层特征图缩放为输入图像尺寸的1/4，是第2特征层；其他的依次类推。
头部
head部分的写法与backbone部分相同，也是按照[from, number, module, args] 这4个参数进行编写。
每一层的详细说明见注释：
# YOLOv8.0n head 头部层
head:
- [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 第10层，本层是上采样层。-1代表将上层的输出作为本层的输入。None代表上采样的size=None（输出尺寸）不指定。2代表scale_factor=2，表示输出的尺寸是输入尺寸的2倍。mode=nearest代表使用的上采样算法为最近邻插值算法。经过这层之后，特征图的长和宽变成原来的两倍，通道数不变，所以最终尺寸为40*40*1024。
- [[-1, 6], 1, Concat, [1]] # cat backbone P4 第11层，本层是concat层，[-1, 6]代表将上层和第6层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是40*40*1024，第6层的输出是40*40*512，最终本层的输出尺寸为40*40*1536。
- [-1, 3, C2f, [512]] # 12 第12层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。与Backbone中C2f不同的是，此处的C2f的bottleneck模块的shortcut=False。
- [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 第13层，本层也是上采样层（参考第10层）。经过这层之后，特征图的长和宽变成原来的两倍，通道数不变，所以最终尺寸为80*80*512。
- [[-1, 4], 1, Concat, [1]] # cat backbone P3 第14层，本层是concat层，[-1, 4]代表将上层和第4层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是80*80*512，第6层的输出是80*80*256，最终本层的输出尺寸为80*80*768。
- [-1, 3, C2f, [256]] # 15 (P3/8-small) 第15层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。256代表输出通道数。经过这层之后，特征图尺寸变为80*80*256，特征图的长宽已经变成输入图像的1/8。
- [-1, 1, Conv, [256, 3, 2]] # 第16层，进行卷积操作（256代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为40*40*256（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样）。
- [[-1, 12], 1, Concat, [1]] # cat head P4 第17层，本层是concat层，[-1, 12]代表将上层和第12层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是40*40*256，第12层的输出是40*40*512，最终本层的输出尺寸为40*40*768。
- [-1, 3, C2f, [512]] # 18 (P4/16-medium) 第18层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。经过这层之后，特征图尺寸变为40*40*512，特征图的长宽已经变成输入图像的1/16。
- [-1, 1, Conv, [512, 3, 2]] # 第19层，进行卷积操作（512代表输出通道数，3代表卷积核大小k，2代表stride步长），输出特征图尺寸为20*20*512（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样）。
- [[-1, 9], 1, Concat, [1]] # cat head P5 第20层，本层是concat层，[-1, 9]代表将上层和第9层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知，上层的输出尺寸是20*20*512，第9层的输出是20*20*1024，最终本层的输出尺寸为20*20*1536。
- [-1, 3, C2f, [1024]] # 21 (P5/32-large) 第21层，本层是C2f模块，可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数。经过这层之后，特征图尺寸变为20*20*1024，特征图的长宽已经变成输入图像的1/32。
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5) 第20层，本层是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。
这部分主要多出3个操作nn.Upsample、Concat、Detect,解释如下：
nn.Upsample:表示上采样，将特征图大小进行翻倍操作。比如将大小为20X20的特征图，变为40X40的特征图大小。
Concat：代表拼接操作，将相同大小的特征图，通道进行拼接，要求是特征图大小一致，通道数可以不相同。例如[-1, 6]：-1代表上一层，6代表第六层（从第0层开始数），将上一层与第6层进行concat拼接操作。
Detect的from有三个数，15，18，21，这三个就是最终网络的输出特征图，分别对应P3，P4，P5。
模型训练时打印出的结构参数如下，【下图为yolov8n.yaml打印信息】：
好了，这篇文章就介绍到这里，如果对你有帮助，感谢点赞关注！
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
