YOLOv8 是 Ultralytics 開(kāi)發(fā)的 YOLO（You Only Look Once）物體檢測(cè)和圖像分割模型的最新版本。YOLOv8是一種尖端的、最先進(jìn)的SOTA模型，它建立在先前YOLO成功基礎(chǔ)上，并引入了新功能和改進(jìn)，以進(jìn)一步提升性能和靈活性。它可以在大型數(shù)據(jù)集上進(jìn)行訓(xùn)練，并且能夠在各種硬件平臺(tái)上運(yùn)行，從CPU到GPU。

YOLOv8還有一個(gè)關(guān)鍵特性是它的可擴(kuò)展性，由于其被設(shè)計(jì)成一個(gè)框架，支持所有以前YOLO的版本，使得在不同版本之間切換和比較它們的性能變得容易。

YOLOv8創(chuàng)新改進(jìn)點(diǎn)：

1.Backbone。使用的依舊是CSP的思想，不過(guò)YOLOv5中的C3模塊被替換成了C2f模塊，實(shí)現(xiàn)了進(jìn)一步的輕量化，同時(shí)YOLOv8依舊使用了YOLOv5等架構(gòu)中使用的SPPF模塊；

2.PAN-FPN。毫無(wú)疑問(wèn)YOLOv8依舊使用了PAN的思想，不過(guò)通過(guò)對(duì)比YOLOv5與YOLOv8的結(jié)構(gòu)圖可以看到，YOLOv8將YOLOv5中PAN-FPN上采樣階段中的卷積結(jié)構(gòu)刪除了，同時(shí)也將C3模塊替換為了C2f模塊

3.Decoupled-Head。是不是嗅到了不一樣的味道？是的，YOLOv8走向了Decoupled-Head；

4.Anchor-Free。YOLOv8拋棄了以往的Anchor-Base，使用了Anchor-Free的思想；

5.損失函數(shù)。YOLOv8使用VFL Loss作為分類(lèi)損失，使用DFL Loss+CIOU Loss作為分類(lèi)損失；

6.樣本匹配。YOLOv8拋棄了以往的IOU匹配或者單邊比例的分配方式，而是使用了Task-Aligned Assigner匹配方式。

1、C2f模塊是什么？與C3有什么區(qū)別？

我們不著急，先看一下C3模塊的結(jié)構(gòu)圖，然后再對(duì)比與C2f的具體的區(qū)別。針對(duì)C3模塊，其主要是借助CSPNet提取分流的思想，同時(shí)結(jié)合殘差結(jié)構(gòu)的思想，設(shè)計(jì)了所謂的C3 Block，這里的CSP主分支梯度模塊為BottleNeck模塊，也就是所謂的殘差模塊。同時(shí)堆疊的個(gè)數(shù)由參數(shù)n來(lái)進(jìn)行控制，也就是說(shuō)不同規(guī)模的模型，n的值是有變化的。

其實(shí)這里的梯度流主分支，可以是任何之前你學(xué)習(xí)過(guò)的模塊，比如，美團(tuán)提出的YOLOv6中就是用來(lái)重參模塊RepVGGBlock來(lái)替換BottleNeck Block來(lái)作為主要的梯度流分支，而百度提出的PP-YOLOE則是使用了RepResNet-Block來(lái)替換BottleNeck Block來(lái)作為主要的梯度流分支。而YOLOv7則是使用了ELAN Block來(lái)替換BottleNeck Block來(lái)作為主要的梯度流分支。

損失函數(shù)

對(duì)于YOLOv8，其分類(lèi)損失為VFL Loss，其回歸損失為CIOU Loss+DFL的形式，這里Reg_max默認(rèn)為16。

VFL主要改進(jìn)是提出了非對(duì)稱(chēng)的加權(quán)操作，F(xiàn)L和QFL都是對(duì)稱(chēng)的。而非對(duì)稱(chēng)加權(quán)的思想來(lái)源于論文PISA，該論文指出首先正負(fù)樣本有不平衡問(wèn)題，即使在正樣本中也存在不等權(quán)問(wèn)題，因?yàn)閙AP的計(jì)算是主正樣本。

q是label，正樣本時(shí)候q為bbox和gt的IoU，負(fù)樣本時(shí)候q=0，當(dāng)為正樣本時(shí)候其實(shí)沒(méi)有采用FL，而是普通的BCE，只不過(guò)多了一個(gè)自適應(yīng)IoU加權(quán)，用于突出主樣本。而為負(fù)樣本時(shí)候就是標(biāo)準(zhǔn)的FL了。可以明顯發(fā)現(xiàn)VFL比QFL更加簡(jiǎn)單，主要特點(diǎn)是正負(fù)樣本非對(duì)稱(chēng)加權(quán)、突出正樣本為主樣本。

針對(duì)這里的DFL（Distribution Focal Loss），其主要是將框的位置建模成一個(gè) general distribution，讓網(wǎng)絡(luò)快速的聚焦于和目標(biāo)位置距離近的位置的分布。

DFL 能夠讓網(wǎng)絡(luò)更快地聚焦于目標(biāo) y 附近的值，增大它們的概率；

DFL的含義是以交叉熵的形式去優(yōu)化與標(biāo)簽y最接近的一左一右2個(gè)位置的概率，從而讓網(wǎng)絡(luò)更快的聚焦到目標(biāo)位置的鄰近區(qū)域的分布；也就是說(shuō)學(xué)出來(lái)的分布理論上是在真實(shí)浮點(diǎn)坐標(biāo)的附近，并且以線(xiàn)性插值的模式得到距離左右整數(shù)坐標(biāo)的權(quán)重。

樣本的匹配

標(biāo)簽分配是目標(biāo)檢測(cè)非常重要的一環(huán)，在YOLOv5的早期版本中使用了MaxIOU作為標(biāo)簽分配方法。然而，在實(shí)踐中發(fā)現(xiàn)直接使用邊長(zhǎng)比也可以達(dá)到一阿姨你的效果。而YOLOv8則是拋棄了Anchor-Base方法使用Anchor-Free方法，找到了一個(gè)替代邊長(zhǎng)比例的匹配方法，TaskAligned。

為與NMS搭配，訓(xùn)練樣例的Anchor分配需要滿(mǎn)足以下兩個(gè)規(guī)則：

正常對(duì)齊的Anchor應(yīng)當(dāng)可以預(yù)測(cè)高分類(lèi)得分，同時(shí)具有精確定位；

不對(duì)齊的Anchor應(yīng)當(dāng)具有低分類(lèi)得分，并在NMS階段被抑制?；谏鲜鰞蓚€(gè)目標(biāo)，TaskAligned設(shè)計(jì)了一個(gè)新的Anchor alignment metric 來(lái)在Anchor level 衡量Task-Alignment的水平。并且，Alignment metric 被集成在了 sample 分配和 loss function里來(lái)動(dòng)態(tài)的優(yōu)化每個(gè) Anchor 的預(yù)測(cè)。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-806958.html

到了這里，關(guān)于目標(biāo)檢測(cè)再升級(jí)！YOLOv8模型訓(xùn)練和部署的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！