YOLOv8配置文件yolov8.yaml解读

已于 2024-08-02 18:01:13 修改
阅读量3.9k 收藏 16
点赞数 12
分类专栏： YOLO 深度学习 文章标签： YOLO 数据库
于 2023-12-08 19:20:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chen_blog/article/details/134885340
版权

位置

该文件的位置位于 ./ultralytics/cfg/models/v8/yolov8.yaml

模型参数配置

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
  • nc 是分类的数量
  • scales 下设置了不同模型的规模权重
  • depth 深度，控制子模块的数量 = int(number * depth)
  • width 宽度，控制通道(channels)的大小 = int(number * width)
  • max_channels 最大通道数

backbone 模块配置

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9
  • from 表示当前模块的输入来自哪一层的输出 ，-1表示来自上一层的输出 ，层编号从0开始计
  • repeats 表示当前模块的理论重复次数，实际的重复次数正是要根据上面的规模权重来计算后得到，这个参数会影响网络的整体深度
  • module 模块类名，通过这个类名在common.py中寻找相应的类，进行模块化的搭建网络
  • args 是一个列表，提供了模块搭建所需要的参数，channel, kernel_size, stride, padding, bias等。

head 模块配置

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

这里配置的是模型的head部分，其结构和使用规则与backbone一致

任务

根据提供的yolov8n yolov8s的模型输出，推测yolov8l的模型输出

yolov8n


                   from  n    params  module                                       arguments                     
  0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]                 
  1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]                
  2                  -1  1      7360  ultralytics.nn.modules.block.C2f             [32, 32, 1, True]             
  3                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]                
  4                  -1  2     49664  ultralytics.nn.modules.block.C2f             [64, 64, 2, True]             
  5                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  6                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]           
  7                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  8                  -1  1    460288  ultralytics.nn.modules.block.C2f             [256, 256, 1, True]           
  9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  1     37248  ultralytics.nn.modules.block.C2f             [192, 64, 1]                  
 16                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]                
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  1    123648  ultralytics.nn.modules.block.C2f             [192, 128, 1]                 
 19                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]                 
 22        [15, 18, 21]  1    897664  ultralytics.nn.modules.head.Detect           [80, [64, 128, 256]]          
YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs

yolov8s

                from  n    params  module                                       arguments                     
  0                  -1  1       928  ultralytics.nn.modules.conv.Conv             [3, 32, 3, 2]                 
  1                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]                
  2                  -1  1     29056  ultralytics.nn.modules.block.C2f             [64, 64, 1, True]             
  3                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  4                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]           
  5                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  6                  -1  2    788480  ultralytics.nn.modules.block.C2f             [256, 256, 2, True]           
  7                  -1  1   1180672  ultralytics.nn.modules.conv.Conv             [256, 512, 3, 2]              
  8                  -1  1   1838080  ultralytics.nn.modules.block.C2f             [512, 512, 1, True]           
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  1    591360  ultralytics.nn.modules.block.C2f             [768, 256, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]                 
 16                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]                 
 19                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  1   1969152  ultralytics.nn.modules.block.C2f             [768, 512, 1]                 
 22        [15, 18, 21]  1   2147008  ultralytics.nn.modules.head.Detect           [80, [128, 256, 512]]         
YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs

yolov8l

通过对比最上面的scales和上面两个输出，可以发现，卷积的通道大小被width来控制，模块重复次数由depth来控制，对照可以写下v8l的输出

                   from  n    params  module                                       arguments                     
  0                  -1  1      1856  ultralytics.nn.modules.conv.Conv             [3, 64, 3, 2]                 
  1                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  2                  -1  3    279808  ultralytics.nn.modules.block.C2f             [128, 128, 3, True]           
  3                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  4                  -1  6   2101248  ultralytics.nn.modules.block.C2f             [256, 256, 6, True]           
  5                  -1  1   1180672  ultralytics.nn.modules.conv.Conv             [256, 512, 3, 2]              
  6                  -1  6   8396800  ultralytics.nn.modules.block.C2f             [512, 512, 6, True]           
  7                  -1  1   2360320  ultralytics.nn.modules.conv.Conv             [512, 512, 3, 2]              
  8                  -1  3   4461568  ultralytics.nn.modules.block.C2f             [512, 512, 3, True]           
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  3   4723712  ultralytics.nn.modules.block.C2f             [1024, 512, 3]                
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  3   1247744  ultralytics.nn.modules.block.C2f             [768, 256, 3]                 
 16                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]              
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  3   4592640  ultralytics.nn.modules.block.C2f             [768, 512, 3]                 
 19                  -1  1   2360320  ultralytics.nn.modules.conv.Conv             [512, 512, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  3   4723712  ultralytics.nn.modules.block.C2f             [1024, 512, 3]                
 22        [15, 18, 21]  1   5644480  ultralytics.nn.modules.head.Detect           [80, [256, 512, 512]]
好名让狗申请了
关注
  • 12
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
YOLOv8 | 代码逐行解析(二) | 从yaml文件到模型定义（代码逐行注释，小白必看）
Snu77的博客
02-19 7942
本文给大家带来的是YOLOv8项目的解读，之前给大家分析了YOLOv8的项目文件分析，这一篇文章给大家带来的是模型训练从我们的yaml文件定义到模型的定义部分的讲解，我们一般只知道如何去训练模型，和配置yaml文件，但是对于yaml文件是如何输入到模型里，模型如何将yaml文件解析出来的确是不知道的，本文的内容接上一篇的代码逐行解析(一) 项目目录分析，本文对于小白来说非常友好，非常推荐大家进行阅读，深度的了解模型的工作原理已经流程，下面我们从yaml文件来讲解。
YOLOv8预训练权重文件集合(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x)
06-23
YOLOv8预训练权重文件集合(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x) YOLOv8 pretrained Detect models are shown here. Detect, Segment and Pose models are pretrained on the COCO dataset, while Classify models are pretrained on the ImageNet dataset. Model size (pixels) mAPval 50-95 Speed CPU ONNX (ms) Speed A100 TensorRT (ms) params (M) FLOPs (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
YOLOv8-第Y8周：yolov8.yaml文件解读
weixin_54533484的博客
12-08 5114
YOLOv8的backbone，每一个模块算一行，每行由四个参数构成。head部分的数据格式核backbone一样。三个参数对比模型结构输出的异同。
YOLOv8魔改核心-模型yaml文件解析与网络结构打印
mw的博客
07-25 1460
本篇文章主要用于YOLOv8中网络模型yaml文的解读，我们一般只知道如何去训练模型，和配置yaml文件，但是对于yaml文件是如何输入到模型里，模型如何将yaml文件解析出来的确是不知道的，下面我们从yaml文件来讲解。
【YOLOv8模型网络结构图理解】
dally2的博客
03-12 3万+
YOLOv8模型网络结构图理解
yolov8自备数据集训练的目标检测
qq_44701348的博客
11-18 2626
笔者可以算是小白一枚，为测试无人机识别模块的精准度，需要识别一个自制做的圆盘，特作此小项目。由于自己在整个过程踩过很多坑，也走过不少弯路，完成这个小项目，离不开CSDN中很多博主博客的借鉴学习（文中已标明各个博主文章出处），特此将整个流程记录下来，主要是为了自己做个笔记备份，二是希望需要学习的同学也能少走弯路。最后，我想说是从零将yolov8跑起来是个一个十分折磨人的过程，希望大家能有耐心，细心研究。笔者作为一个刚入门的小白，能力有限，初次写文章，难免可能有些小错误，敬请谅解。
YOLOV8——快速训练指南（上手教程、自定义数据训练）
热门推荐
TigerZ*的博客
01-16 4万+
本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个一统（分类、检测、分割且多种模型）的框架。本文以检测为例。
YOLOv8环境安装、数据集划分、训练、测试、推理
m0_46700884的博客
07-02 1万+
首先在电脑上安装好Anaconda以及Pycham软件。并配置好了基础的pytorch环境。
深入理解 YOLOv8：解析.yaml 配置文件目标检测、实例分割、图像分类、姿态检测
CDBmax的博客
12-27 1万+
YOLOv8系列模型展示了其在多个计算机视觉任务中的适应性和高效性。通过其多样化的配置文件，YOLOv8不仅在目标检测领域表现出色，还成功扩展到实例分割、图像分类和关键点/姿态估计等领域。每个配置文件针对特定任务优化，从而确保模型在处理不同类型的视觉数据时保持高准确率和效率。这种灵活性和多功能性使得YOLOv8成为当前最先进的视觉识别系统之一，为未来的技术创新和应用提供了广阔的可能性。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。
YOLOv8训练自定义数据集(超详细)
TEDDY的博客
03-02 2万+
准备深度学习环境。
YOLOv8训练自己的数据集(超详细)
datayx的文章
03-01 2万+
向AI转型的程序员都关注了这个号????????????一、准备深度学习环境本人的笔记本电脑系统是：Windows10YOLO系列最新版本的YOLOv8已经发布了，详细介绍可以参考我前面写的博客，目前ultralytics已经发布了部分代码以及说明，可以在github上下载YOLOv8代码，代码文件夹中会有requirements.txt文件，里面描述了所需要的安装包。本文最终安装的pytorch版本是1.8.1，...
YOLOv8（源码）.rar
03-22
除了核心的模型代码，YOLOv8的源码可能还包括配置文件，用于设置训练和评估的具体参数，如学习率、批大小、训练轮数等。此外，可能还包含数据集的加载逻辑，例如PASCAL VOC或COCO数据集，这些数据集包含了丰富的标注...
yolov8视觉学习yolov8-master.zip
04-06
此外，学习资料可能包括详细的教程、论文解读、训练技巧和评估方法等，这对于理解和应用YOLOv8至关重要。对于想要在目标检测领域进行研究或开发的人来说，这个压缩包无疑是一份宝贵的资源，它提供了从理论到实践的...
yolov8 default.yaml
10-23
yolov8 default.yaml
目标检测+yolov8+源码+运行调试
01-14
然后，通过配置文件设置超参数，如学习率、批大小、训练轮数等。在训练过程中，应监控损失函数的变化和验证集上的性能，适时调整参数以避免过拟合或欠拟合。调试可能涉及到检查模型的预测结果，找出可能导致错误的...
YOLOV8的yolov8.yaml解读
最新发布
qq_66919612的博客
08-29 238
​ 以backbone中第二层的结构[-1, 1, Conv, [128, 3, 2]], # 1-P2/4为例，列表中的第一个参数-1表示该层的输入来自上一层，第二个参数1表示该模块有1个，第三个参数Conv表示该模块为Conv（卷积）模块，第四个参数[128, 3, 2]为当前（Conv卷积）模块的参数，第一个参数表示输出的feature map通道数为128，3表示卷积核为3×3大小，2表示卷积的步长为2。
yolov8使用
qq_39066502的博客
05-30 1887
labels中是每张图片的标注文件（txt），格式为 ... ，坐标经过归一化。将train.txt和val.txt放到/project/train/src_repo/yolov8/dataset/下。将train.txt和val.txt放到/project/train/src_repo/yolov8/dataset/下。用法参考：https://docs.ultralytics.com/tasks/segment/
第Y8周:yolov8.yaml文件解读
ck1487921366的博客
04-26 1680
本周的任务：基于YOLOv8n和YOLOv8s模型的结构，手写出YOLOv8l的模型输出。为了完成这个任务，我首先深入分析了yolov8.yaml的参数配置，这让我对模型的细节有了更深入的理解。接着，我研究了backbone模块和head模块，这些是模型中至关重要的部分。通过分析YOLOv8n和YOLOv8s，我能够逐步构建出YOLOv8l.yaml文件的模型结构输出。这个过程不仅考验了我的技术能力，还锻炼了我的逻辑思维和问题解决能力。
YOLOv8源码逐行解读（yolov8.yaml）（更新中）
如烟
04-11 2万+
进行卷积操作，输出特征图尺寸为20*20*1024（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/32。进行卷积操作，输出特征图尺寸为40*40*512（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/16。进行卷积操作，输出特征图尺寸为80*80*256（卷积的参数都没变，所以都是长宽变成原来的1/2，和之前一样），特征图的长宽已经变成输入图像的1/8。第0层的输入是640*640*3的图像。
yolov7中yolov7.yaml文件解读
09-01
yolov7.yaml 文件是 YOLOv7 模型的配置文件，用于定义模型的结构和参数。下面是对 yolov7.yaml 文件的解读： 1. `model` 部分定义了模型的整体结构和超参数： - `type`：模型类型，通常为 "YOLOv3" 或 "YOLOv4"。 - `depth`：模型的深度，即层数。 - `width_multiple`：模型宽度的倍数，用于控制模型的通道数。默认值为 1.0。 - `anchors`：锚框的尺寸，用于检测不同大小的目标。 - `backbone`：主干网络的配置，用于提取特征。 - `neck`：特征融合部分的配置，用于增强特征表示能力。 - `head`：检测头部的配置，用于预测目标框和类别。 2. `train` 部分定义了训练时需要的参数： - `epochs`：训练的总轮数。 - `batch_size`：每个批次的样本数。 - `subdivisions`：将一个批次分成多个子批次进行梯度累积，减少显存占用。 - `learning_rate`：初始学习率。 - `momentum`：动量参数。 - `weight_decay`：权重衰减参数。 - `lr_steps`：学习率衰减的步数和衰减率。 3. `test` 部分定义了测试时需要的参数： - `batch_size`：每个批次的样本数。 - `confidence_threshold`：目标置信度的阈值。 - `nms_threshold`：非最大抑制的阈值。 这些只是 yolov7.yaml 文件的一部分，具体的内容和参数配置可以根据实际情况进行调整。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值