yolov8（目标检测、图像分割、关键点检测）知识蒸馏：logit和feature-based蒸馏方法的实现

1.知识蒸馏的原理

在目标检测中，知识蒸馏的原理主要是利用教师模型（通常是大型的深度神经网络）的丰富知识来指导学生模型（轻量级的神经网络）的学习过程。通过蒸馏，学生模型能够在保持较高性能的同时，减小模型的复杂度和计算成本。

知识蒸馏实现的方式有多种，但核心目标是将教师模型学习到的知识迁移到学生中去（通常是通过各种损失函数进行实现）。

本项目支持yolov8检测、分割、关键点任务的知识蒸馏，并对蒸馏代码进行详解，比较容易上手。蒸馏方式多种，支持 logit和 feature-based蒸馏以及在线蒸馏。：

2.logit 蒸馏原理

Logit蒸馏原理主要基于深度学习中的知识迁移技术，特别是在模型压缩和加速领域。其核心思想是利用大型、复杂的教师模型（Teacher Model）的logits（逻辑层的原始输出得分）来指导小型、轻量的学生模型（Student Model）的学习。

Logits是教师模型在做出最终决策之前的原始得分，这些得分在数值上表示了模型对每个类别的预测置信度。相较于最终的类别概率分布，logits包含了更丰富的信息，尤其是当不同类别之间存在细微差别时。

在Logit蒸馏过程中，教师模型的logits被用作额外的监督信号来训练学生模型。通过最小化教师模型和学生模型在logits层面上的差异（通常使用均方误差MSE或KL散度等损失函数），可以使学生模型学习到教师