目标检测——YOLOv8算法解读
作者：Ultralytics公司
代码：https://github.com/ultralytics/ultralytics
YOLO系列算法解读：
YOLOv1通俗易懂版解读、SSD算法解读、YOLOv2算法解读、YOLOv3算法解读、YOLOv4算法解读、YOLOv5算法解读、YOLOR算法解读、YOLOX算法解读、YOLOv6算法解读、YOLOv7算法解读、YOLOv8算法解读、YOLOv9算法解读、YOLOv10算法解读
PP-YOLO系列算法解读：
PP-YOLO算法解读、PP-YOLOv2算法解读、PP-PicoDet算法解读、PP-YOLOE算法解读、PP-YOLOE-R算法解读
文章目录
- 1、算法概述
- 2、YOLOv8细节
- 2.1 YOLOv8的C2f结构
- 2.2 YOLOv8的SPPF模块
- 2.3 YOLOv8的neck和head
- 2.4 YOLOv8的损失函数
1、算法概述
YOLOv8和YOLOv5都是由小型初创公司Ultralytics创建并维护的，和YOLOv5一样，也没有形成论文，但工程readme里面链接了参考文档(https://docs.ultralytics.com/models/yolov8/)，该文档非常丰富，包含如何快速运行、训练、验证、预测及导出其他格式模型，还包含除检测任务的其他任务的扩展如：分割、分类和姿态估计，同时也包含YOLO系列其他模型的汇总介绍。
YOLOv8的主要特点有：
1、模型更快更准确；
2、模型除了能完成目标检测任务，也可以无缝衔接到实例分割、图像分类以及姿态估计任务；
3、与之前的YOLO版本兼容可扩展，ultralytics相当于一个YOLO统一框架；
4、YOLOv8采用新的backbone，与YOLOv5相比采用了anchor-free策略，模型也采用了新的损失函数；
5、YOLOv8支持导出多种格式的模型，并且可以在CPU/GPU上运行。
2、YOLOv8细节
YOLOv8网络结构如下所示，图片来自github用户@RangeKing
对比YOLOv8和YOLOv5的yaml格式网络结构配置
可以看到网络规模n/s/m/l/x的深度、宽度配置比例没有改变，但max_channels，YOLOv8的减少了。
Backbone部分，YOLOv8将YOLOv5采用的C3结构升级成了C2f，其余通道数配置均未改变
Head部分，相对于YOLOv5，上采样之前减少了卷积操作，同样将C3升级成了C2f
2.1 YOLOv8的C2f结构
YOLOv8中的C2f结构如下图红框部分：
由子模块ConvModule和多个DarknetBottleneck所组成，而DarknetBottleneck又包含两个3x3卷积的ConvModule；
对比YOLOv5的C3结构，如下：
其中ConvModule对应CBS，结构没有改变，DarknetBottleneck相对于YOLOv5的Bottleneck结构，将其第一个1x1的CBS换成了3x3的CBS结构，即YOLOv8的DarknetBottleneck包含两个3x3卷积，值得注意的是，YOLOv8和YOLOv5一样，都在backbone部分的Bottleneck应用了shortcut连接，而neck部分没有应用shortcut。最大的不同是C2f中每个DarknetBottleneck均分出一半通道的特征图直接连接到最后，多个DarknetBottleneck分出来的通道以及最后一个DarknetBottleneck的输出通过Concat操作合并在一起，并经过1x1的ConvModule得到想要的输出通道，这有点像YOLOv7的E-ELAN结构，优化了梯度在网络之间的传播路径，下面具体看代码实现：
2.2 YOLOv8的SPPF模块
之前YOLOv5以及YOLO其他系列均采用SPP模块，结构如下：
而YOLOv8采用的SPPF是将池化操作的并行分支改为了串行操作，并在每个池化后接了shortcut，结构如下：
代码对应如下：
2.3 YOLOv8的neck和head
Neck部分变化得比较少，一是上采样之前减少了卷积操作，二是将C3升级成了C2f。
变化比较大的是head部分，像YOLOv6一样，YOLOv8解耦了分类和回归分支，并且取消了obj分支（为什么这么做，请参阅论文[1]），并且变成了anchor-free，如下：
当为YOLOv8l模型时，w=1.0，最大通道数为512
而YOLOv5l的耦合方式检测头结构如下：
2.4 YOLOv8的损失函数
由上部分可知，检测头解耦后，每个特征尺度的检测头有两个分支：分类分支和回归分支，结构如下：
分类分支还是采用BCE损失，回归分支是采用CIoU与DFL(Distribution Focal Loss)共同控制。
参考文献：
[1] Generalized Focal Loss(https://arxiv.org/pdf/2006.04388.pdf)
知乎：大白话 Generalized Focal Loss（https://zhuanlan.zhihu.com/p/147691786）