YOLO系列论文综述（从YOLOv1到YOLOv11）【第10篇：YOLOv8——集成检测、分割和跟踪能力】

---

YOLO系列博文：

1. 【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
2. 【第2篇：YOLO系列论文、代码和主要优缺点汇总】
3. 【第3篇：YOLOv1——YOLO的开山之作】
4. 【第4篇：YOLOv2——更好、更快、更强】
5. 【第5篇：YOLOv3——多尺度预测】
6. 【第6篇：YOLOv4——最优速度和精度】
7. 【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】
8. 【第8篇：YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】
9. 【第9篇：YOLOv7——跨尺度特征融合】
10. 【第10篇：YOLOv8——集成检测、分割和跟踪能力】
11. 【第11篇：YOLO变体——YOLO+Transformers、DAMO、PP、NAS】
12. 【第12篇：YOLOv9——可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)】
13. 【第13篇：YOLOv10——实时端到端物体检测】
14. 【第14篇：YOLOv11——在速度和准确性方面具有无与伦比的性能】
15. 【第15篇（完结）：讨论和未来展望】

---

1 摘要

• 发布日期：2023年1月
• 作者：Ultralytics团队
• 论文：无
• 代码：https://github.com/ultralytics/ultralytics
• 主要优缺点：
  • 提供可定制的模块化设计方便用户根据需求进行扩展；
  • 内置多种训练和超参数优化策略简化模型调优过程；
  • 集成检测、分割和跟踪功能。

2 网络架构

YOLOv8于2023年1月由开发YOLOv5的公司Ultralytics发布。YOLOv8提供了五个不同规模的版本：YOLOv8n（nano）、YOLOv8s（small）、YOLOv8m（medium）、YOLOv8l（large）和YOLOv8x（extra large）。YOLOv8支持多种视觉任务，如目标检测、分割、姿态估计、跟踪和分类。

下图展示了YOLOv8的详细架构。

YOLOv8使用了与YOLOv5类似的Backbone，但在CSPLayer上进行了一些改动，称为C2f模块。C2f模块（带有两个卷积的跨阶段部分瓶颈）结合了高级特征和上下文信息，以提高检测精度。

YOLOv8使用无锚框模型，并采用解耦头来独立处理物体性（objectness）、分类和回归任务。这种设计允许每个分支专注于其特定任务，从而提高模型的整体准确性。在YOLOv8的输出层中，他们使用Sigmoid函数作为物体性的激活函数，表示边界框包含物体的概率。对于类别概率，则使用Softmax函数，表示物体属于每个可能类别的概率。

YOLOv8使用CIoU和DFL损失函数来进行边界框损失计算，并使用二元交叉熵进行分类损失计算。这些损失函数改进了目标检测性能，特别是在处理较小物体时。

YOLOv8还提供了一个名为YOLOv8-Seg的语义分割模型，该模型的骨干网络是CSPDarknet53特征提取器，后接C2f模块而不是传统的YOLO颈部结构。C2f模块之后有两个分割头，学习预测输入图像的语义分割掩码。

该模型具有与YOLOv8相似的检测头，包括五个检测模块和一个预测层。YOLOv8-Seg模型在各种目标检测和语义分割基准测试中取得了SOTA的结果，同时保持了高速度和高效率。

YOLOv8可以通过命令行界面（CLI）运行，也可以作为PIP包安装。此外，它还提供了多种用于标注、训练和部署的集成工具。

在MS COCO 2017测试开发集上的评估显示，YOLOv8x在640像素的图像尺寸下达到了53.9%的AP，相比之下，YOLOv5在同一输入尺寸下的AP为50.7%。在NVIDIA A100和TensorRT的支持下，YOLOv8x的速度达到了280 FPS。

3 优缺点

• 提供可定制的模块化设计方便用户根据需求进行扩展；
• 内置多种训练和超参数优化策略简化模型调优过程；
• 集成检测、分割和跟踪功能。