YOLOv8全解析：高效、精准的目标检测新时代—

YOLOv8全解析：高效、精准的目标检测新时代——创新架构与性能提升

前言

一、模型介绍

二、网络结构

Backbone改进

特征增强网络(neck)

检测头(head)

其它部分

三、Loss计算

四、性能表现

五、YOLOv8使用详解

添加模型

其它部分

创建数据集

数据标注

模型训练

模型预测

六、YOLOv8总结

前言

YOLO（You Only Look Once）系列模型，凭借其高效、快速的特性，已经成为目标检测领域的重要代表。作为YOLO系列中的最热门版本，YOLOv8继续沿袭了其前辈的优势，并进一步提升了性能，使得它在处理复杂场景中的目标检测任务时更加高效和精准。

· YOLOv8文档：https://v8docs.ultralytics.com/

一、模型介绍

YOLOv8 是 ultralytics 公司在 2023年1月10号开源的YOLOv5的下一个重大更新版本，也是YOLO模型系列中最热门的模型之一，因为它参考了YOLOv1到YOLOv7系列的所有模型，集各家优点于一身，在还没有开源时就收到了用户的广泛关注。YOLOv8的对各算法优点结合以及部分模块的创新，使其在图像分类、物体检测和实例分割任务中表现卓越。

二、网络结构

其主要结构如下图所示：

官方描述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。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。

从YOLOv8的网络结构可以看出,其延用了YOLOv5的网络结构思想，网络还是分为三个部分：基于CSP（紧凑和分离）的主干网络（backbone），特征增强网络(neck)，检测头(head) 三个部分。

1.Backbone改进

Backbone改进：YOLOV5中的C3模块被替换成了C2f模块，实现了进一步的轻量化。同时保持了CSP的思想，保留了YOLOv5等架构中使用的SPPF（空间金字塔池化）模块。整个YOLOv8的Backbone由CBS、C2f、SPPF三种模块组成。让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。

2.特征增强网络(neck)

YOLOv8使用PA-FPN（路径聚合网络-特征金字塔网络）的思想，具体实施过程中将YOLOV5中的PA-FPN上采样阶段的卷积去除了，并且将其中的C3模块替换为了C2f模块。

3.检测头(head)

区别于YOLOV5的耦合头，YOLOV8使用了Decoupled-Head，将分类和检测头分离，使得网络的训练和推理更加高效。

代码如下图所示：

4.其它部分

Anchor-Free思想：抛弃了Anchor-Base，采用了Anchor-Free的思想。
损失函数改进：分类使用BCEloss，回归使用DFL Loss+CIOU Loss。
样本匹配方式改进：采用了Task-Aligned Assigner匹配方式。
这些改进使得YOLOv8在保持了YOLOv5网络结构的优点的同时，进行了更加精细的调整和优化，提高了模型在不同场景下的性能。

三、Loss计算

Loss 计算过程包括 2 个部分：正负样本分配策略和Loss计算。

现代目标检测器大部分都会在正负样本分配策略上面做文章，典型的如YOLOX 的simOTA、TOOD的TaskAlignedAssigner和RTMDet 的DynamicSoftLabelAssigner ，这类 Assigner 大都是动态分配策略，而 YOLOv5采用的依然是静态分配策略。考虑到动态分配策略的优异性，YOLOv8算法中则直接引用了TOOD的TaskAlignedAssigner。