万字长文详解YOLOv8 yaml 文件，结合模型输出的网络结构图分析Parameters /backbone/head以及三者的数学关联

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLO基础解析+创新改进+实战案例

之前写过一篇YOLOv8yaml配置文件逐层的解析：结合YOLOv8源码逐层解读yaml文件的配置，本文主要从整体的角度去解析yaml。

YOLOv8 模型

YOLOv8 提供了非常多的模型，详见：https://docs.ultralytics.com/models/yolov8/#__tabbed_1_1。

其中 n, s, m, l, x 模型是在输入尺寸为 640x640 的图像上训练得到的，最终会对输入图像进行 32 倍下采样，并输出 3 个预测特征层。以下是对这些模型的进一步详细描述：

模型尺寸和复杂度

• n (nano): 最小且最快的模型，设计用于资源受限的环境，比如移动设备或嵌入式系统。它在性能和速度之间取得了极佳的平衡，适合实时性要求高但计算资源有限的应用场景。
• s (small): 这个模型在复杂度和性能之间取得了更好的平衡，适合需要快速推理且有一定计算资源的应用。它比 n 模型稍大，提供了更高的精度和复杂性。
• m (medium): 中等规模的模型，提供了比 s 模型更高的精度和复杂性，适用于计算资源相对充足且对精度要求较高的场景。
• l (large): 较大的模型，具有更高的精度和复杂性，适用于有较高计算资源的服务器或高性能计算平台。它在精度和复杂性方面比 m 模型有显著提升。
• x (extra large): 系列中最大的模型，提供了最高的精度和最复杂的特征表示，适合用于对精度要求最高的应用场景，如需要高精度物体检测的任务。

下采样和预测特征层

输入图像尺寸为 640x640，经过模型处理后，最终会进行 32 倍下采样，并输出 3 个预测特征层。这些特征层的具体功能如下：

• 下采样：输入图像经过多层卷积操作后，尺寸被逐渐缩小，最终缩小到原始尺寸的 1/32。这种下采样机制使得模型能够有效地捕获不同尺度的特征。
• 预测特征层：模型输出 3 个预测特征层，每个特征层对应不同尺度的预测：
  • 大特征层：捕捉细节较多的小物体，适用于检测图像中的小目标。
  • 中特征层：平衡大物体和小物体的检测，适用于检测中等大小的目标。
  • 小特征层：捕捉图像中范围较大的大物体，适用于检测大目标。

通过结合这些特征层，YOLOv8 模型能够实现多尺度物体检测，提供高效且准确的检测结果，适用于各种复杂的计算机视觉任务。

Model	size(pixels)	mAPval50-95	Speed CPU ONNX(ms)	Speed A100 TensorRT(ms)	params(M)	FLOP(B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

模型区别

YOLOv8 的各个模型 n, s, m, l, x 具有相同的结构设计，不同之处在于网络的深度和宽度。其中，网络的深度是指 C2f 模块中 Bottleneck 的数量，即深度的数值决定了 Bottleneck 的个数。而网络的宽度则是指每层网络的通道数。

• 网络深度
  在 YOLOv8 模型中，深度由 C2f 模块中的 Bottleneck 数量决定。C2f 模块是 YOLOv8 的核心结构之一，它通过多个 Bottleneck 模块来提取和处理特征。Bottleneck 模块的数量直接影响模型的深度。模型的深度越大，网络能够捕捉和处理的特征就越多，但计算复杂度也会随之增加。