关于yolov8的一些理解

已于 2023-04-24 08:26:56 修改
阅读量3.4k 收藏 29
点赞数 5
分类专栏： 目标检测 论文 文章标签： YOLO 计算机视觉 深度学习
于 2023-04-21 16:27:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44804542/article/details/130288940
版权

文章目录

1.前言

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本。是一款强大、灵活的目标检测和图像分割工具，它提供了最新的 SOTA 技术。
在这里插入图片描述
Github: yolov8

2.创新点及工作

  1. 提供了一个全新的SOTA模型。基于缩放系数也提供了N/S/M/L/X不同尺度的模型，以满足不同部署平台和应用场景的需求；
  2. 网络结构上引入C2F和SPPF模块，并对不同尺度的模型进行了精心微调，提升网络特征提取能力及模型性能的同时，平衡模型的推理速度；
  3. 采用Anchor-Free代替Anchor-Based，对网络输出头进行解耦，分离类别预测和目标框的回归，同时去掉置信度分支；
  4. 采用TaskAlignedAssigner 动态正样本分配策略，提高样本的生成质量
  5. 引入了 Distribution Focal Loss用于目标框的回归。

3. 网络结构

在这里插入图片描述

3.1 BackBone

3.1.1 C2F

网络结构优化的一种方法：替换基本组件；

  • 参考了YOLOv5的C3模块以及YOLOv7的ELAN的模块进行的设计，让YOLOv8可以在保证轻量化的同时，通过引入更多的分支跨层连接可以获得更加丰富的梯度流信息。
  • 相较于YOLOv7的ELAN模块的设计，C2F模块在输入/输出通道上没有做什么额外工作，在一定程度并不太符合ShuffleNet的一些设计准则：要想使卷积推理速度达到最快，输入通道应与输出通道保持一致。
  • C2F模块中存在 Split 等操作对特定硬件部署没有之前那么友好了
    在这里插入图片描述

3.1.2 结构微调

对不同尺度模型调整了通道数和模型的深度，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，综合考虑模型的精度和推理速度
在这里插入图片描述

  • Yolov5中C3模块的堆叠遵循着3/6/9/3的配置，而在YOLOv8中，C2F的配置则是3/6/6/3的配置，其中的9被减小到了6，以压缩模型的规模
  • 对于较轻量的YOLOv8-N和YOLOv8-S，基本通道数遵循128->256->512->1024的变化规律，即乘以各自的width参数即可。 但是，对于较大的M/L/X，最后的1024则分别变成了768，512和512，如上图红框所示，C5尺度的通道数是有变化的。相当于加入一个参数ratio，简记r，基础通道数为512，那么从YOLOv8-N到YOLOv8-X，就一共有width(w)、depth(d)和ratio® 三组可调控的参数：
    在这里插入图片描述
  • 这种人为调控参数的目的在于提升模型精度的同时，控制计算量的大小，以实现和其它算法相比，达到SOTA效果；但这种强行调整的方式，人为雕琢的痕迹过重，网络结构的调整没有那么”优雅”。

3.1.2 SPPF

对比spp，将简单的并行max pooling 改为串行+并行的方式。对比如下（左边是SPP，右边是SPPF）
在这里插入图片描述

3.2 Neck

NECK部分和yolov5结构基本一致，区别主要有两点

  • C3模块更换为C2F模块
  • 去掉了上采样前用于降维的 1×1 卷积。
    在这里插入图片描述

3.3 Head

  • Anchor_base 调整为 Anchor_free
    • 个人认为anchor box在一定程度上能够起到先验的作用，但其尺寸一般基于数据集统计分析得到，在一定程度上依赖于数据集本身的分布；
    • 同时anchor的引入会带来额外的参数量，整体来说anchor_free还是较为简单明了；
  • 参考yolox操作，对预测结果进行解耦 ：单独分支预测分类和定位
  • 去掉了置信度分支
  • 回归的内容是ltrb四个值（距离匹配到的anchor点的距离值），这里的regmax在后面进行解释
    在这里插入图片描述
  • 需要注意的是解耦头的类别分支和回归分支的通道数可能是不相等的，YOLOv8认为二者表征了两种不同的特征，应该不一样。因此，对于类别分支，YOLOv8将其通道数设置为 c
最低0.47元/天 解锁文章
硝烟_1994
关注
  • 5
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
轻量级网络结构的目标检测算法——Yolov8介绍
Littro Innovations
12-04 2272
同时，Yolov8还采用了级联和金字塔的思想以及多尺度特征融合等技术，进一步提高了算法的性能。此外，Yolov8还采用了级联和金字塔的思想，使算法能够处理不同大小的目标。而Yolov8的双路径预测方式可以更好地适应不同大小的目标。相比之下，早期的Yolo算法采用了较重的网络结构，如Darknet等，导致运行速度较慢。同时，Yolov8还采用了级联和金字塔的思想，能够处理不同大小的目标，进一步提高了算法的效率。Yolov8算法采用了新的损失函数和紧密连接的网络结构，使得它在目标检测准确性上有所提高。
comprsn-ratio.zip_compression ratio
07-14
How to find compression ratio of image file
YOLOv8改进简化模型的训练验证和推理（源码+说明文档+5000多张张商品图片+对应已标注文件）.rar
05-09
1、资源内容：YOLOv8改进简化模型的训练验证和推理（源码+说明文档+5000多张张商品图片+对应已标注文件）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
YOLOv8 代码逐行解析(一) 项目目录构造分析_yolov8工程目录
最新发布
2401_84010176的博客
04-21 927
链图片转存中…(img-QGzXNp4G-1713710917685)]
YOLOv8-火焰识别（火焰数据集+代码+GUI界面+内置训练好的模型文件）
11-15
教程请参考：https://blog.csdn.net/Little_Carter/article/details/131387425 欢迎浏览我的最新资源，这个全面的资源是为了帮助研究人员和开发者在火灾预防和安全监控领域取得突破而设计的。本资源包含以下几个关键部分： 1、火焰数据集：精心策划和注释的高质量火焰图像集，覆盖了不同类型和大小的火焰场景。这个数据集对于训练和测试火焰检测算法至关重要。 2、代码：完整的YOLOv8算法实现代码，针对火焰检测进行了优化。代码清晰、注释详细，易于理解和定制。 3、GUI界面：为了更方便地使用和展示火焰识别模型，我复现了一个直观的图形用户界面（GUI）。这个界面不仅易于操作，还可以实时展示检测结果。 4、内置训练好的模型文件：为了让用户能够即刻使用该工具，我提供了一个已经在火焰数据集上训练好的YOLOv8模型。这个模型经过精心训练，具有高精度和良好的泛化能力。 此外，我还提供了详细的安装和使用指南，帮助您轻松地部署和运行这个系统。无论您是在进行学术研究，还是在开发商业应用，这个资源都将是您不可或缺的工具。期待您的下载和反馈！
yolov8深度解析及代码.zip
03-25
yolov8 YOLOv8是目标检测领域中的一项重要进展，属于YOLO系列算法的最新成员。它在继承了YOLO系列优秀特性的基础上，进一步提升了模型性能和实用性。下面我们将对YOLOv8的相关知识点进行深度解析，并附带代码实践，以帮助读者更好地理解和应用这一算法。 一、YOLOv8的核心特性与改进 模型结构：YOLOv8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。这种多尺度设计使得模型能够更有效地处理不同大小的目标，提高检测精度。同时，YOLOv8还提供了N/S/M/L/X不同尺度的模型，以满足不同场景的需求。 骨干网络和Neck部分：YOLOv8在骨干网络和Neck部分可能参考了YOLOv7 ELAN的设计思想，将YOLOv5的C3结构换成了梯度流更丰富的C2f结构。这种改进有助于提升模型的特征提取能力，从而进一步提高检测精度。 可变形卷积DCNv3：YOLOv8引入了可变形卷积DCNv3，这使得模型能够更好地适应目标形状的变化，提高检测精度。 损失函数：YOLOv8采用了精心设计的损失函数，以更好地平
基于YOLOv8改进TensorRT加速（源码+说明文档）.rar
05-09
1、资源内容：基于YOLOv8改进TensorRT加速（源码+说明文档）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
介绍一下YOLOv8
weixin_35755434的博客
02-12 1615
YOLOv8是一种目标检测算法，是YOLO(You Only Look Once)系列算法的最新版本。它使用单次预测框架对图像中的对象进行定位和分类。这种方法可以检测多个对象，并且速度更快，准确率更高。YOLOv8通过使用更高级的卷积神经网络模型以及先进的训练方法来提高性能。此外，它还支持更多的类别，并且可以在更小的目标上检测更详细的信息。 ...
YOLOV8介绍
wuling129的专栏
03-01 2498
有具体部署和训练实现代码（有非常好的参考和启示价值）
浅析YOLOv8
qwj的博客
05-06 4298
浅析YOLOv8 框架
简单了解YOLOv8
w15136756855的博客
07-25 8283
YOLOv8简介
Ultralytics YOLOv8 Jupyter练习笔记本
03-18
本资源是一份详细的使用指南，旨在帮助用户了解并充分利用 Ultralytics 开发的 YOLOv8 人工智能模型。通过本指南，用户可以了解 YOLOv8 的特点、优势、适用场景以及如何进行训练和部署。指南中还包括了一些常见问题和解决方案，以及相关资源链接，帮助用户更好地理解和应用 YOLOv8。
Ultralytics官宣！ YOLOv8 来了
小白学视觉
02-11 1489
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达大家好昨天Ultralytics 官方账号宣布，YOLOv8来了简单总结如下：更简单更准确更快更小，部署更方便回顾一下YOLOv5这里粗略回顾一下，这里直接提供YOLOv5的整理的结构图吧：Backbone：CSPDarkNet结构，主要结构思想的体现在C3模块，这里也是梯度分流的主要思想所在的地方；PAN-FPN：双流的FP...
ultralytics是一个什么样的公司？
weixin_43501408的博客
03-10 399
Ultralytics 是一家软件公司，专注于计算机视觉和深度学习领域。该公司致力于开发高性能、易于使用的深度学习工具和解决方案，以帮助研究人员、开发者和企业加速他们在人工智能领域的创新。Ultralytics 的产品和项目包括 PyTorch 的相关工具、YOLOv5 目标检测模型以及其他与计算机视觉和深度学习相关的开源项目。公司的使命是通过提供高质量的工具和资源，促进人工智能技术的发展和应用。问题描述：ultralytics是一个什么样的公司？
YOLO v8 参数设置，详解cfg/default.yaml
阳光在手指间
02-07 3496
训练设置：包括模型文件路径、数据文件路径、训练轮次、训练时间、早停耐心（无改进的训练轮数）、批次大小、图像大小、是否保存训练检查点和预测结果、缓存设置、运行设备、工作线程数、项目和实验名称、是否允许覆盖现有实验、是否使用预训练模型、优化器类型、是否输出详细信息、随机种子、是否启用确定模式、是否作为单类别训练、是否应用矩形训练或验证、是否使用余弦学习率调度器等。任务和模式设置：定义YOLO的任务（如检测、分割、分类、姿态识别）和模式（如训练、验证、预测、导出、跟踪、基准测试）。
详解YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署
Snu77的博客
10-28 3万+
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署，从网络结构的讲解从模型的网络结构讲解到模型的部署都有详细介绍，同时在本专栏中还包括YOLOv8模型系列的改进包括个人提出的创新点，传统卷积、注意力机制、损失函数的修改教程，能够帮助你的论文获得创新点。
目标检测算法——YOLOV8——算法详解
热门推荐
TigerZ*的博客
01-31 6万+
本文梳理Yolo v8 的改进点，并针对一些较难理解的点进行重点阐述，主要有如下几方面：backbone 使用C2f模块，检测头使用了anchor-free + Decoupled-head，损失函数使用了分类BCE、回归CIOU + VFL（新增项目）的组合，框匹配策略由静态匹配改为了Task-Aligned Assigner匹配方式、最后 10 个 epoch 关闭 Mosaic 的操作、训练总 epoch 数从 300 提升到了 500。
【目标检测】YOLOV8实战入门（一）简介与安装
qq_43456016的博客
04-30 2067
YOLOv8是来自 Ultralytics 的最新的基于 YOLO 的对象检测模型系列，提供最先进的性能。相比与以前的YOLO版本，YOLOv8模型更快、更准 ，同时为训练模型提供统一框架，可执行物体检测实例分割图像分类姿势检测目标跟踪Note:Ultralytics最近推出了与相结合的功能，后文再聊。
YOLOv8 深度详解！一文看懂，快速上手
qq_39967751的博客
01-12 3万+
本文详细分析和总结了最新的 YOLOv8 算法，从整体设计到模型结构、Loss 计算、训练数据增强、训练策略和推理过程进行了详细的说明，并提供了大量的示意图供大家方便理解。
yolov8n yolov8s模型对比
08-15
yolov8n和yolov8s是yolov8模型的两个变种。它们之间有一些本质的区别。 首先，yolov8n中的anchors（锚点）与yolov8s有所不同。在yolov8n中，anchors只是一个锚点，即预测的中心点或者可以理解为每个像素的中心点。而且在yolov8n中，每个像素只有一个锚点。例如，yolov8n输出共有80*80、40*40、20*20等不同分辨率的网格，每个网格只有一个锚点，总共有8400个锚点。 另外，yolov8n和yolov8s在训练和验证的设置上也有一些差异。例如，在yolov8n的训练中，可以使用以下命令设置参数：yolov8_main2307/ultralytics$yolo task=detect mode=train model=models/v8/yolov8n.yaml data=/home/user/hlj/MyTrain/yolov8_main2307/ultralytics/yolo/v8/detect/data/my_yolov8.yaml imgsz=960 batch=32 epochs=100 workers=2。而在yolov8s的验证中，可以使用以下命令设置参数：yolo task=detect mode=val model=./runs/detect/base_yolov8s_pt22M/weights/best.pt data=./yolo/v8/detect/data/my_yolov8.yaml batch=8 workers=0。 总的来说，yolov8n和yolov8s是yolov8模型的两个不同版本，它们在锚点的设置和训练/验证的参数设置上有所区别。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [YOLOV8-网络结构](https://blog.csdn.net/weixin_40723264/article/details/130745025)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [视频目标检测 yolo算法小模型自训练模型对比（yolov5 yolov7 yolov8）](https://blog.csdn.net/qq_42835363/article/details/131817017)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值