yolov8学习笔记（一）网络结构

淩亂°似流年 2024-05-06 23:31 30阅读 0赞

![95a962ef61f546f5a395e00e99aabc04.jpeg][]

![c4af1f47ece74b4a9240c1e7cfa06d39.jpeg][]

## **一、yolov8.yaml** ##

**YOLOv8详解 【网络结构+代码+实操】：**

[YOLOv8详解 【网络结构+代码+实操】-CSDN博客文章浏览阅读10w+次，点赞559次，收藏2.9k次。YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求Backbone骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的C3结构换成了梯度流更丰富的C2f结构，并对不同尺度模型调整了不同的通道数。\_yolov8![favicon32.ico][]https://blog.csdn.net/zyw2002/article/details/128732494][YOLOv8_ _-CSDN_10w_559_2.9k_YOLOv8 _ SOTA _ P5 640 _ P6 1280 _ YOLACT _ YOLOv5 _ N_S_M_L_X _Backbone_ Neck _ YOLOv7 ELAN _ YOLOv5 _C3_C2f_yolov8_favicon32.ico_https_blog.csdn.net_zyw2002_article_details_128732494]

**YOLOv8源码逐行解读（yolov8.yaml）：**

[YOLOv8源码逐行解读（yolov8.yaml）（更新中）-CSDN博客][YOLOv8_yolov8.yaml_-CSDN]

**yolov8官方文档：**

[主页 -Ultralytics YOLOv8 文档][-Ultralytics YOLOv8]

yolov8.yaml是一个用于目标检测的模型配置文件，使用了YOLOv8算法。

该文件定义了网络的结构、超参数、输入输出等信息。

nc指定了目标检测任务中要识别的物体类别数，

scales定义了不同规模的模型参数，

backbone定义了模型【主干网络结构】，

head定义了目标检测任务的【头部网络结构】，

最后通过Detect函数输出检测结果。

这个模型可以根据不同的scale参数选择不同大小的模型进行训练和预测。

![80f4f03afb7d4137976e61fe7948f230.png][]

### **1、backbone** ###

> 骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，**并对不同尺度模型调整了不同的通道数。**

>  **\# \[from, repeats, module, args\]** 
> 
> **from****：**本层的来源，也就是输入。\-1表示将上层的输出作为本层的输入。
> 
> **repeats****：**本层的重复次数。
> 
> **module****：**本层的名称。
> 
> **args****：**本层的参数。

![31cdc118503c4de9863cd2aabcc76eb2.png][]

> Backbone和Neck的具体变化
> 
> a) 第一个卷积层的 kernel 从 6x6 变成了 3x3
> 
> b) 所有的 C3 模块换成 C2f，结构如下所示，可以发现多了更多的跳层连接和额外的 Split 操作

#### **（1）特征图（计算公式）** ####

![907568a368a14b02b9272cc91a46d5a2.png][]

#### **（2）9层操作——卷积、C2f、SPPF** ####

![58e3d73a5b814685b755f7cfd91fdd07.png][]

#### **（2）C2f**  ####

> 去掉了 Neck 模块中的 2 个卷积连接层

![c2fa5ce32fd646369984c8a0e21026f1.png][] ![80a299f004a14ed9ac28cd2f78fefc46.png][]

> **Bottleneck**
> 
> **YOLOv8****的C2F使用了Bottleneck单元，但需要注意的是，Darknet所引入的Bottleneck不同于ResNet的Bottleneck。**

> **此处大家记住一点即可，Bottleneck可以大大减少参数，降低计算量。**

#### **（2）SPPF** ####

> 暂无

### **2、head** ###

#### **（1）10~21层** ####

![d3792d52bf0b42aeb3980d5758a37740.png][]

#### **（1）22层——detect层** ####

> \[15, 18, 21\]代表将第15、18、21层的输出（分别是80\*80\*256、40\*40\*512、20\*20\*1024）作为本层的输入。
> 
> nc是数据集的类别数。

![007628a368564758a07fbf326f071e2a.png][]

![ba3cb0fc88af4c979c854ddc047e4440.png][]

![c4a537cc90e1478d89b12849a6ca52f9.png][]

### **3、scales** ###

![3306026942d94d56abe325633b952d1f.png][]

### **4、网络模型解析** ###

![e1a3fe6a840d487496b2ef71ad2caa02.png][]

#### **（1）Conv** ####

>  *  功能： 标准的卷积
>  *  参数：输入通道数（c1）, 输出通道数（c2）, 卷积核大小（k，默认是1）, 步长（s,默认是1）, 填充（p，默认为None）, 组（g, 默认为1）, 扩张率（d，默认为1）, 是否采用激活函数（act ，默认为True, 且采用SiLU为激活函数）

![2cd4008a157a42f6b7597d48b0d33b1e.png][]

#### **（1）Loss** ####

> Loss 计算过程包括 2 个部分： 正负样本分配策略和 Loss 计算。

## 笔记下载 ##

> https://wwm.lanzout.com/isyZD1p3puyj  
> 密码:hoab

[95a962ef61f546f5a395e00e99aabc04.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/56dba903aea54051a50076e85e2f4184.jpeg
[c4af1f47ece74b4a9240c1e7cfa06d39.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/4d5ddf6439a847579e442efaedf3327d.jpeg
[favicon32.ico]: https://g.csdnimg.cn/static/logo/favicon32.ico
[YOLOv8_ _-CSDN_10w_559_2.9k_YOLOv8 _ SOTA _ P5 640 _ P6 1280 _ YOLACT _ YOLOv5 _ N_S_M_L_X _Backbone_ Neck _ YOLOv7 ELAN _ YOLOv5 _C3_C2f_yolov8_favicon32.ico_https_blog.csdn.net_zyw2002_article_details_128732494]: https://blog.csdn.net/zyw2002/article/details/128732494
[YOLOv8_yolov8.yaml_-CSDN]: https://blog.csdn.net/qq_40835644/article/details/130085632
[-Ultralytics YOLOv8]: https://docs.ultralytics.com/zh/
[80f4f03afb7d4137976e61fe7948f230.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/4f684c42d6b3407597d8d595c64ac150.png
[31cdc118503c4de9863cd2aabcc76eb2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/8f39b67039404201b24562a4c092f04d.png
[907568a368a14b02b9272cc91a46d5a2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/fb527fdb1a0a4bb7ab3f75863d55ff71.png
[58e3d73a5b814685b755f7cfd91fdd07.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/b89acb2767d74fecb5e37dbd7a65df4a.png
[c2fa5ce32fd646369984c8a0e21026f1.png]: https://img-blog.csdnimg.cn/direct/c2fa5ce32fd646369984c8a0e21026f1.png
[80a299f004a14ed9ac28cd2f78fefc46.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/3b737b1647634c5eb39aadf786f4060d.png
[d3792d52bf0b42aeb3980d5758a37740.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/56030a14c2e84152964ab335f51cb51e.png
[007628a368564758a07fbf326f071e2a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/586d3543458e4db4b95e03322f8ba936.png
[ba3cb0fc88af4c979c854ddc047e4440.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/8f04377552144ecd9769bf7933911616.png
[c4a537cc90e1478d89b12849a6ca52f9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/067fdd069d4141a5983047a30813b7f6.png
[3306026942d94d56abe325633b952d1f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/f78aa4e4b6fa454b8ff934deffd22924.png
[e1a3fe6a840d487496b2ef71ad2caa02.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/b285959aa2df4749b4f6c6efab1e4b3a.png
[2cd4008a157a42f6b7597d48b0d33b1e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/06/4b45bd22ff4d4635a2377f723ba3592a.png