Yolov8网络详解

Yolov8网络

YOLOv8创新改进点：
1.Backbone。使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；
2.PAN-FPN。毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块
3.Decoupled-Head。是不是嗅到了不一样的味道？是的，YOLOv8走向了Decoupled-Head；
4.Anchor-Free。YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；
5.损失函数。YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；
Yolov8网络结构详解：
1.输入端
无锚框，resize到6406403；
2.Backbone
Yolov5中主要使用的C3（CSP）网络，而yolov8主要使用的是c2f模块。
Bottleneck的核心思想就是利用多个小的卷积核去代替大的卷积核，与最初的结构相比不仅加深了网络的深度，更减少了网络的参数量。

YOLOv8的C2f模块借鉴了YOLOv7中的ELAN思想，通过并行更多的梯度流分支，目的是为了在保证轻量化的同时获得更加丰富的梯度流信息，额外还增加了一个Split操作。

ELAN模块结构图
C2f本质上就是在结合了C3模块及ELAN模块的思想。将原本串接的Bottleneck模块运用梯度分流的思想连接，优化了模块结构，有效的避免了在深度过深时收敛性的恶化。在优化网络结构获得轻量化的同时，又可以获取到丰富的梯度流信息，提升了YOLOv8模型的整体性能。

C2f模块
3.特征增强模块Neck
YOLOv8的Neck层中，使用SPPF模块（Spatial Pyramid Pooling-Fast）替代原本的SPP模块，并且延续了YOLOv5中FPN＋PAN模块，但在结构上稍作修改，进一步提高网络的特征提取能力。SPP模块在YOLOv5最初的版本中使用。SPP全称空间金字塔池化，结构如图所示。通过使用13×13、9×9、5×5、1×1四种大小的卷积核，对特征图像进行多个特征提取。SPP模块在一定程度上解决了多尺度问题，提高了算法检测的精度。

SPPF模块在SPP模块原有结构上进行优化，其结构如图b)图所示。SPPF模块将原有3种不同尺寸的卷积核，改为3个5×5的卷积核。这是因为将2个5×5的卷积核串联，其效果等价于1个9×9的卷积核。同理，3个5×5的卷积核串联等效于1个13×13的卷积核。与直接使用大的卷积核相比，多个小卷积核串联后减少了网络的计算量，提高了检测效率。在实际的实验中，对于相同的输入，SPP和SPPF输出结果相同，但后者的速度是前者的二倍。
PAN是在FPN的基础上又增加了从下到上的融合。深层的feature map携带更强的语义特征，较弱的定位信息，而浅层的feature map携带较强的位置信息和较弱的语义特征。FPN将深层的语义特征传到浅层，从而增强多个尺度上的的语义表达，而PAN则相反把浅层的定位信息传导到深层，增强多个尺度上的定位能力。
YOLOv8将YOLOv5的PAN中C3模块替换为C2f模块，并且去掉了上采样之前的1×1卷积，将Backbone不同阶段输出的特征直接送入了上采样操作。


4.Head
YOLOv8网络结构的另一部分改进集中在Head层部分，将YOLOv5中原本的耦合检测头（coupled head）替换为解耦检测头（decoupled head），并且从Anchor Based变成了Anchor Free。在此基础上，YOLOv8对原有检测头部分做出改进，结构如图所示。解耦检测decoupled head将分类与回归进行解耦，将其拆分为两个独立的分支。实验表明，对于相同的检测任务，使用解耦检测头可以加速收敛，检测精度也有所提高。

Anchor Based和Anchor Free
YOLOv5中的Anchor-based机制是一种目标检测方法，它依赖于预定义的锚框（anchor boxes）来预测目标物体的位置和大小。Anchor-based方法的核心思想是使用一组预先定义的锚框，这些锚框具有不同的尺寸和长宽比，以覆盖图像中可能出现的各种形状和大小的物体。在训练过程中，网络会学习调整这些锚框的位置和大小，以便更好地匹配图像中的实际物体。
（1）使用一系列预定义的锚框（anchor boxes）来覆盖图像中可能的目标位置。
（2）通过这些锚框进行目标的分类和边界框的回归。
（3）需要大量的超参数调整，如锚框的尺寸、宽高比和数量，以适应不同的数据集。
（4）训练过程中需要计算所有锚框与真实框之间的IOU值，计算复杂度较高。
Anchor Free不使用预定义的锚框，而是直接在图像的每个位置上预测目标的存在与否以及其边界框。通常依赖于特征金字塔网络（FPN）来处理不同尺度的目标，以及Focal Loss来提高对中心区域的预测准确性。可能导致较多的误检（false positives），但在召回率上通常表现得更好；相对于Anchor-based方法，Anchor-free方法更简单和灵活，但可能存在定位精度低的问题。
优点：
（1）Anchor-based：通过调整锚框可以较好地匹配图像中的物体，有助于减少定位误差。
（2）Anchor-free：由于不需要预设锚框，因此更为简单和灵活，可以减少超参数的调整工作。
缺点：
（1）Anchor-based：需要大量的超参数调整，普适性较差；计算复杂度高，正负样本不均衡问题严重。
（2）Anchor-free：虽然解空间大，但可能导致较多的误检，需要在后续处理中进行过滤。
损失函数
目标检测中的分类损失函数主要用于目标的分类，是计算模型对目标类别的预测概率与真实标签之间的差异。而回归损失函数则用于预测目标的边界框位置，用于计算模型预测的边界框（bounding box）与真实边界框之间的差异。
Yolov5中的分类损失函数是BCE Loss，回归损失函数为CIOU Loss。而YOLOv8中，分类损失函数为VFL（Varifocal Loss），回归损失采用CIoU Loss＋DFL（Distribution Focal Loss）的形式。
Varifocal Loss函数
针对正负样本不均的问题，运用Varifocal Loss函数，提出了非对称的加权操作。Varifocal
Loss函数公式如式所示：

其中，q为label，在正样本时q为IoU值，反之q为0。即当为正样本时是一般的BCE损失函数，负样本时便是Focal损失函数。Varifocal Loss对正负样本的处理不再是对称的，它通过考虑二者不同的重要程度，将正样本突出为主体。
Distribution Focal Loss函数
Distribution Focal Loss（DFL）是一种用于目标检测任务的损失函数，它是对Focal Loss的改进和扩展。Focal Loss是一种广泛应用于目标检测中的损失函数，用于解决正负样本不平衡问题。DFL的核心思想是根据目标类别的分布情况，对Focal Loss进行调整。传统的Focal Loss通过引入一个调节因子来平衡正负样本的权重，减轻了正负样本不平衡带来的问题。然而，传统的Focal Loss没有考虑到目标类别的分布情况对损失函数的影响。在目标检测任务中，存在大量的负样本，即没有目标的锚框（anchor boxes）。为了解决这一问题，Distribution Focal Loss被提出，它通过交叉熵函数来优化标签y附近的概率分布，使得网络能够快速聚焦到标签附近的数值，从而提高模型的性能。
具体来说，Distribution Focal Loss的核心思想是使用交叉熵损失函数来优化标签y附近左右两个位置的概率密度，使得网络的预测分布尽可能集中在真实标签值附近。这样做的目的是为了让模型更快地学习到准确的预测框及其分布，提高目标检测的准确性。
总的来说，Distribution Focal Loss是目标检测领域中一个重要的损失函数，它通过优化概率分布的方式，有效地解决了负样本问题，并提高了模型对目标定位的准确性。