新所得库 - YOLOv8 神经网络结构全解析

---

🚀 YOLOv8 神经网络结构全解析

📌 本文适合对深度学习已有基础，想深入理解 YOLOv8 架构的开发者、毕业设计同学、科研项目实践者
👨‍💻 作者：夏驰和徐策
🧠 关键词：YOLOv8、神经网络结构、张量输入、Backbone、Neck、Head、结构拆解

---

一、YOLOv8 是什么？

YOLOv8（You Only Look Once version 8）是 Ultralytics 公司推出的全新一代目标检测框架。与前几代相比，它不仅精度更高，还支持：

• Anchor-Free 检测结构

• 解耦式 Head

• 支持分类 / 检测 / 分割 / 姿态识别 多任务

• 更模块化、便于部署与魔改

如果你想了解 YOLOv8 是怎么“从一张图”变成“边框 + 类别 + 置信度”的，这篇文章将一步步为你剖析其网络架构。

---

二、输入张量结构详解：[B, 3, 640, 640]

在 YOLOv8 中，输入图像被转换为 4 维张量：

[B, C, H, W] = [Batch Size, Channel, Height, Width]

维度	含义
B	一次输入多少张图（如 8 张）
3	RGB 三通道图像，不是复制三次，而是分别表示红、绿、蓝
640x640	每张图的分辨率（可变，YOLOv8 默认支持 320~1280）

张量 [3, 640, 640] 实际表示：

• 1 张图有 3 层通道（红、绿、蓝）

• 每一层是一个 640x640 的灰度图

---

三、YOLOv8 的核心结构：Backbone + Neck + Head

[图像输入]
   ↓
[Backbone]        ← 提取图像语义特征
   ↓
[Neck: PAFPN]     ← 融合多尺度特征
   ↓
[Head: 解耦头]    ← 输出检测结果 (边框+置信度+类别)

---

四、模块一：Backbone - CSPDarknet + SPPF

✅ 作用：

提取图像的多层语义特征，并逐层下采样，提取从边缘到高级语义的多尺度特征图。

🧩 包含模块：

模块	输出张量	说明
Stem Conv	[B, 32, 320, 320]	卷积 + BN + SiLU 激活
CSP Block 1	[B, 64, 160, 160]	第一次下采样
CSP Block 2	[B, 128, 80, 80]	第二次下采样
CSP Block 3	[B, 256, 40, 40]	第三次下采样
CSP Block 4	[B, 512, 20, 20]	第四次下采样
SPPF	[B, 512, 20, 20]	空间金字塔池化，融合多尺度感受野

📌 通道数依据模型规模不同（n/s/m/l/x）而变化，例如 yolov8s 与 yolov8x 会使用不同宽度系数。

---

五、模块二：Neck - PAFPN（Path Aggregation）

✅ 作用：

通过上下采样融合不同分辨率的特征图，增强多尺度目标的检测能力（尤其是小目标）。

🧩 核心过程：

• Upsample + Concat（Top-Down 路径）

• Downsample + Concat（Bottom-Up 路径）

最终输出三个特征图：

• P3: [B, 128, 80, 80] ← 小目标

• P4: [B, 256, 40, 40] ← 中目标

• P5: [B, 512, 20, 20] ← 大目标

📌 每个尺度特征图上的每一个像素位置，相当于在原图上的一个检测点。

---

六、模块三：Head - 解耦式预测头（Decoupled Head）

✅ 作用：

对每个位置进行目标检测预测，包括：

• 边框坐标 [x, y, w, h]

• 置信度 objectness

• 类别概率 class score

每个 Head 的输出张量为：

[B, num_classes+5, H, W]

以 COCO 80 类为例，num_classes = 80，所以输出为：

[B, 85, 80, 80]（P3）
[B, 85, 40, 40]（P4）
[B, 85, 20, 20]（P5）

值	含义
4个	边框 [x, y, w, h]
1个	置信度 objectness
80个	类别概率分布 class_1, class_2, ..., class_80

---

七、输出张量（Postprocess）

预测结果经过 NMS 处理后输出：

[B, N, 6] = [batch, num_detections, (x1, y1, x2, y2, conf, class)]

• conf = objectness × class_score

• 每个检测结果包含预测框坐标、置信度、类别编号

---

八、模型缩放机制（n/s/m/l/x）

模型	depth_multiple	width_multiple	适合场景
yolov8n	0.33	0.25	极小模型，部署边缘设备
yolov8s	0.33	0.50	小模型，适合低端 GPU
yolov8m	0.67	0.75	中型模型
yolov8l	1.00	1.00	大型模型
yolov8x	1.00	1.25	超大精度要求任务

结构保持一致，只是通道数和模块重复次数不同。

---

九、总结一张图（张量流动结构）：

[B, 3, 640, 640]      ← 输入RGB图像
   ↓
Backbone
 ├─ StemConv         → [B, 32, 320, 320]
 ├─ CSPBlock × 4     → ... → [B, 512, 20, 20]
 └─ SPPF             → [B, 512, 20, 20]
   ↓
Neck
 ├─ Upsample + Concat (P4, P5)
 ├─ Downsample + Concat (P3, P4)
 └─ 输出 P3, P4, P5 → 多尺度特征图
   ↓
Head
 ├─ 每个位置预测 85 维度（80类+5个框信息）
 └─ 拼接后 → [B, N, 6] ← 检测结果

---

🔚 十、参考与延伸阅读

• Ultralytics YOLOv8 官方文档

• Netron 可视化模型结构工具

• CBAM 论文

• 动手学深度学习（7~8章、14章）

---