YOLO终极解析---YOLOV8

简介：

是YOLOv5 的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务。

YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。

重点看下面这篇：

YOLOv8详解:损失函数、Anchor-Free、样本分配策略；以及与v5的对比_yolov8的损失函数为什么大于1-CSDN博客

 具体改进如下：

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；

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；

Decoupled-Head：是不是嗅到了不一样的味道？是的，YOLOv8走向了Decoupled-Head；

Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；

损失函数：YOLOv8 分类损失使用 VFL Loss，边框回归损失 使用 DFL Loss + CIOU Loss

样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式
原文链接：https://blog.csdn.net/m0_63774211/article/details/133043242 

算法流程：

YOLOv8引入了新的功能和改进：

一个新的骨干网络

选用梯度流更丰富的C2f结构替换了YOLOv5中的C3结构

C2f模块相对于C3模块，采用了梯度分流的思想，即把上一个output的channel拆成2部分，其中一部分不动，另一部分通过conv，再拼回去，这种方法在保证轻量化的同时，获得更加丰富的梯度流信息。这里

YOLOv8之C2f模块——与YOLOv5的C3模块对比_晓shuo的博客-CSDN博客

一个新的 Ancher-Free 检测头

从Anchor-Based换成了Anchor-Free

采用了TAL(Task Alignment Learning)动态匹配 目标检测中的标签分配 - 知乎

一个新的损失函数

DFL(Distribution Focal Loss)结合CIoU Loss做回归分支的损失函数

使得分类和回归任务之间具有较高的一致性。

YOLOv8来啦！YOLO内卷期模型怎么选？9+款AI硬件如何快速部署？深度解析

YOLOv8集合了之前提出的诸如YOLOX、YOLOv6、YOLOv7和PPYOLOE等算法的相关设计尤其是Head标签分配和Loss部分以及PP-YOLOE非常相似。YOLOv8集百家所长达到了实时检测界的一个新高度。

在 YOLOv3 之后，Ultralytics 还发布了 YOLOv5，它比所有其他 YOLO 模型更好、更快、更易于使用。

Anchor-Free：YOLOv8 是一个无锚（Anchor-Free）模型。这意味着它直接预测对象的中心，而不是已知锚框的偏移量。由于减少了 box 预测的数量，因此这种新方法加速了一个非常复杂的推理步骤 —— 非极大值抑制 (NMS)。

另外 标签正负样本分配策略 从 静态分配策略 改成 TAL 动态分配 。

YOLOv8 Ultralytics：最先进的 YOLO 模型 - 简书

解读YOLOv8的改进模块_小鹏AI的博客-CSDN博客

yolov3和yolov5的区别_yolov3 yolov5对比_asura77777的博客-CSDN博客

YOLO v8损失函数、Anchor-Free、样本分配策略；以及和v5的对比_麦没了块QAQ的博客-CSDN博客

Backbone： Feature Extractor提取特征的网络，其作用就是提取图片中的信息，供后面的网络使用

Neck ： 放在backbone和head之间的，是为了更好的利用backbone提取的特征,起着“特征融合”的作用。

Head：利用前面提取的特征，做出识别

c3用c2f代替

c3结构如下图所示：

 c2f结构，在保证轻量化的同时获得更加丰富的梯度流信息。

Ancher-Free 检测头

v8是anchor free，每个grid产生一个anchor，用taskalign对齐，选取topk个预测的anchor和gt比较，主要是t，t = Sa * Ub,其中s代表类别预测分数，U是iou值，a,b为超参。用t选取topK个anchor作为正样本(代码中默认为13)。yolov5/yolov8的anchor解析 - 知乎