YOLOv8架构详解

📌YOLOv8架构详解

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 没有使用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 Backbone部分

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部分

Neck和Head结构

第一种解释：

在YOLOv8 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：

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

第二种解释：

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，即除去检测头其余部分都是Neck部分

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