YOLOV8代码分析———持续更新中

1. YOLOV8相对于YOLOV5的改进

1. 模型改进。
   1.1 将YOLOv5中的C3模块替换为C2f模块。将Detect(耦合头 + Anchor-based)模块替换为Detect模块(解耦头 + Anchor-free + DFL)。YOLOv5的耦合头输出尺寸为[batch_size,h,w,(classes+4+1)*3]。classes（分类损失 BCE），4（框回归boxes reg）+ 1(置信度obj BCE)。
   YOLOV8的解耦头输出尺寸为：Obj的BCE损失[batch_size,h,w,1],Boxes的CIOU[batch_ls类别损失[batch_size,h,w,cls]
2. 正样本筛选。
   用TaskAlignedAssigner分配策略。anchors中心点在GT（真实框）内部anchors为候选框。计算GT内部包含的每个anchors预测物体类别cls与CIOU的乘积作为分数对aanchors的分值，对分值排序，选取top_k个框作为正样本。
3. 损失函数。类别损失（BCE）+位置损失（CIOU+ DFL）

2 制作标签

制作标签主要讲（编码）

3 模型

3.1 模型主要模块

3.1.1 模型主要模块：

• CBS：卷积层convolution、批标准化(BN)和SiLU激活函数。
• C2f：多梯度融合特征提取模块
• SPPF：快速金字塔池化特征层
• Detect：检测头(解耦头 + Anchor-free + Distribution)

3.1.2 CBS、SPPF、Bottleneck、C2f、model

1. CBS:
Conv + BN + SiLU 
(k=3,s=2)
(k=3,s=1)
(k=1,s=1)
SiLU 的优点是无上界，有下界，平滑（可导）。SiLU函数随之自变量取值增大，因变量的取值先下降后上升。
SiLU的导函数呈现S形，当自变量接近正无穷大时，导数接近于比1大一点的恒定常数。2. SPPF：
CBS(A) ——> MaxPool5(B) ——> MaxPool5(C) ——> MaxPool5(D) ——> Concat([A,B,C,D])——> CBS
SPPF相对于SPP效果一样，但是参数量大大降低。SPP是用5*5、9*9、13*13的卷积核对输入图提取特征，而
SPPF用5*5的卷积核对输入图提取特征后，用串联方式对每次卷机后的结果依次用5*5的卷积核提取特征，两个
5*5的卷积核得到的结果相当于一次9*9卷积核的结果，三个
5*5的卷积核得到的结果相当于一次13*13卷积核的结果，因此SPPF比SPP的参数量减少，速度更快。3. Bottleneck:
input --> CBS(s=1,k=3) --> CBS(s=1,k=3)--> output -->output add input4. C2f：
input --> CBS(s=1,k=1) --> split  --> Bottleneck*n  --> concat [Bottleneck*n ,split]--> CBS(s=1,k=1)5.model
input (640,640)↓
CBS(s=2,k=3) (320,320)↓
CBS(s=2,k=3) (160,160)↓
C2f(n=3)     (160,160)↓                                                     ｛ CBS(s=1,k=3,n=2) → Conv(k=1) →﹜
CBS(s=2,k=3) (80,80)    →   concat    → C2f(n=3)      → ｛                               ﹜→ concat↓                           ↑            ↓            ｛ CBS(s=1,k=3,n=2) → Conv(k=1) →﹜
C2f(n=6)      (80,80)      upsample     CBS(s=2,k=3)↓                           ↑            ↓
CBS(s=2,k=3)  (40,40)      C2f(n=3)   →  concat↓                           ↑            ↓            ｛ CBS(s=1,k=3,n=2) → Conv(k=1) →﹜
C2f(n=6)       (40,40)   →  concat       C2f(n=3)     → ｛                               ﹜→ concat↓                           ↑            |            ｛ CBS(s=1,k=3,n=2) → Conv(k=1) →﹜
CBS(s=2,k=3)   (20,20)        |            ↓    ↓                           |          CBS(s=2,k=3) 
C2f(n=3)       (20,20)        |            | ↓                           |            ↓                    ｛ CBS(s=1,k=3,n=2) → Conv(k=1) →﹜
SPPF(k=6)       (20,20)  → upsample    →  concat  → C2f(n=3)  → ｛                               ﹜→concat｛ CBS(s=1,k=3,n=2) → Conv(k=1) →﹜

3.1.3 model

4 损失

（解码）

5 训练

6 推理