简述YOLOv8与YOLOv5的区别

前言

yolov7,yoloX相关论文还没细看,yolov8就出来了。太卷了！

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本。
GitHub地址 : github.com/ultralytics/ultralytics

YOLOv8是在YOLOv5上的一次更新，故本篇文章主要对比两者区别：

目录

YOLOv5架构:

架构特点：

1.Backbone

CSP的思想(/梯度分流)的主要思想， 其中多为CBS和C3模块。

2.PAN/FPN

双流的FPN，其中多为CBS和C3模块。

3.Head

4.正负样本分配策略

静态分配策略。

5.Loss

分类用BCE Loss，回归用CIOU Loss。还有一个存在物体的置信度损失(BCE Loss)。

其他补充：Yolov5中SPP和SPPF的区别。

作用/功能: 经过1×1,5×5,9×9,13×13的池化生成的特征图都是13×13的，保持原大小不变。这里作用是融合局部和整体特征。
区别: SPPF可以减少计算量,原来要3个MaxPool2d，现在只要1个MaxPool2d，有点像快速幂求解的算法思路。
详细看：https://zhuanlan.zhihu.com/p/584153158

YOLOv8架构：

架构特点：

1.Backbone

相同：CSP的思想(/梯度分流);并且使用SPPF模块。
不同：将C3模块替换为C2f模块。

2.PAN-FPN

双流的FPN，（其中多为CBS和C3模块）。
相同：PAN的思想。
不同：删除了YOLOv5中PAN-FPN上采样的CBS 1*1,将C3模块替换为C2f模块。

3.Head

Decoupled head + Anchor-free

4.正负样本分配策略

采用了TAL(Task Alignment Learning)动态匹配。

5. Loss

相同：分类损失依然采用 BCE Loss
不同：(1).舍去物体的置信度损失；(2).回归分支loss: CIOU loss+ DFL
DFL的描述详见: https://zhuanlan.zhihu.com/p/147691786

两者推理过程区别

YOLOv8 的推理过程和 YOLOv5 几乎一样，唯一差别在于前面需要对 Distribution Focal Loss 中的积分表示 bbox 形式进行解码，变成常规的 4 维度 bbox，后续计算过程就和 YOLOv5 一样了。

coupled head 和 decoupled head 有什么差异？

参考:

https://www.cnblogs.com/chentiao/p/16420907.html

区别:

当使用coupled head时，网络直接输出shape (1,85,80,80);
如果使用 decoupled head，网络会分成回归分支和分类分支，最后再汇总在一起，得到shape同样为 (1,85,80,80)。
为什么用decoupled head？
如果使用coupled head，输出channel将分类任务和回归任务放在一起，这2个任务存在冲突性。（论文中说有冲突性，但是没有理解为什么存在冲突，我考虑的是从损失函数角度存在冲突）
通过实验发现替换为Decoupled Head后，不仅是模型精度上会提高，同时 网络的收敛速度也加快了，使用Decoupled Head的表达能力更好。
Couple Head和 Decoupled Head 的对比曲线如下：