yolov8简易结构流程阐述

                       

yolov8的整体结构如上，分为三部分，第一部分是提取图像细节信息的骨干网络backbone，涉及到模型的不同大小，里面模块的设置也会有相应改变，例如改变卷积的层数，改变特征拼接的个数，然后就到下一层neck，融合不同尺度下的信息，提高模型的多尺度检测能力，最后到head，将三个不同尺度的特征解耦

 

分别对预测框坐标和预测类别进行解耦，首先对于预测框坐标来说，c=4*reg_max，也就是8400*64，reg_max是默认长度为16的向量，而后需要进行积分求和，转成8400*4（以640大小输入为例：80*80+40*40+20*20个预测框），转换后的单个向量的值的范围在[0,15]之中，表示的是以该预测框为中心，上下左右四个方向与中心点的距离，损失函数用的是回归损失

对于预测框类别，得到8400*80（假设有80个类别），表示每个预测框对每种类别的预测概率

但若要计算损失，还需要确定正负样本，因为图像中大部分其实是没有我们事先标注好的检测对象的，也就是没有object，对于它们来说，去计算预测框损失是没用的，对于负样本来说，应该保证的是预测框的80个类别概率都应该非常非常低，甚至是没有，这才是好的结果，所以对于负样本，有他适合的损失函数，也就是纯粹的分类损失，因为负样本没有必要去算预测框坐标损失。而正样本呢，我们则采用常规的Bce计算分类损失。

那么怎么确定正负样本呢，这就需要使用tal，根据分类与回归的分数加权的分数选择正样本。

s 是标注类别对应的预测分值，u 是预测框和 gt 框的 iou，两者相乘就可以衡量对齐程度

训练完成后，拿去预测，会出现很多的预测框，因为一个object可能在多个预测框里都出现了，这时候就需要找到最好的那个预测框，把其他的都丢掉，就需要使用nms，计算CIou