YOLOv8架构详解-Toy模板网

这篇具有很好参考价值的文章主要介绍了YOLOv8架构详解。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

在视觉深度学习中，通常将模型分为 2~3 个组成部分：backbone、neck（可选）和 head。

Backbone（主干网络）负责从输入图像中提取特征，将图像转化为具有丰富语义信息的特征表示。
Neck（颈部，连接部）是一个中间层，用于对来自 backbone 的特征进行融合，以提升模型的性能。
Head（任务头）是模型的最后一层，其结构会根据不同的任务而有所不同。例如，在图像分类任务中，我们通常会使用 softmax 分类器作为 Head，而在目标检测任务中，我们则可能会使用边界框回归器和分类器作为 Head。

YOLOv8 架构图

关于下面经典的架构图的简要说明：

图的上面部分为 YOLOv8 架构的概要图（包括 Backbone，Head）。YOLOv8 没有适用 Neck 这个概念，但其架构图中 Head 中类似 PANet 功能的部分也可以归为 Neck。
图右中位置 Detail 为各个组件的详细架构示例，另说明了不同模型大小的参数选择。
图左 + 图下部分，以分步的方式列出了完整的数据流。
每个框的右上角的数字为层的编号，可以和后面的示例输出 1 对照看。

可以看出，YOLOv8 Backbone 为 0~9 层，10~21 层为 YOLOv8 Head。
yolov8网络结构图,YOLOv8,YOLO,网络结构图

yolov8网络结构图,YOLOv8,YOLO,网络结构图

YOLOv8 Backbone 整体

见图中第 0~9 层。分别为

Conv + Conv + C2f
Conv + C2f（对齐特征金字塔 P3）
Conv + C2f（对齐特征金字塔 P4）
Conv + C2f + SPPF（对齐特征金字塔 P5）

YOLOv8 Head 整体

neck和head 结构

在yolo v8 的yaml文件中并没有显示地划分出neck部分，实际上neck网络结构就是其head网络结构中部分的前半部分。

head部分整体图：
yolov8网络结构图,YOLOv8,YOLO,网络结构图

head:

  ###neck###
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)
  ###########
  
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

yaml配置文件中，注释段落即为neck结构

分清楚neck和head部分，可以很方便的对YOLOv8不同部分进行改进，实现任务涨点！

整理不易🚀🚀，关注和收藏后拿走📌📌欢迎留言🧐👋📣
欢迎专注我的公众号AdaCoding 和 Github：AdaCoding123
yolov8网络结构图,YOLOv8,YOLO,网络结构图文章来源地址https://www.toymoban.com/news/detail-861181.html