Yolov8

论文：还没发布

ultralytics官方测试的精度，与v5，v6比较

从官方给的精度看v8比v6在相同型号的模型下，v8比v6精度更高高，参数更少，计算量更少，例如S型号

整体框架

其中bbox loss 分支的卷积

中的self.reg_max=16表示区间[0-16],l,r,t,b除以stride后一般会落到区间[0,k]的某个区间[i,i+1]，网络预测的其实是落入这个区间的概率，最后用积分将这个区间的概率进行计算，得到期望，也就预测的y

可以回顾这篇博客，写的不错深入理解一下Generalized Focal Loss v1 & v2 - 知乎 (zhihu.com)

yolov8主要改进之处：

网络结构：

骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。不过这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好了
Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free。检测头感觉跟v6一样，同样解耦，且只有类别和回归分支，obj分支去掉

训练策略：

Loss 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss
训练的数据增强部分和yolov5差不多，但引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度
YOLOv8 的训练策略和 YOLOv5 没有啥区别，最大区别就是模型的训练总 epoch 数从 300 提升到了 500，这也导致训练时间急剧增加,以yolov8-s为例，其训练策略汇总如下：

从上面可以看出，YOLOv8 主要参考了最近提出的诸如 YOLOX、YOLOv6、YOLOv7 和 PPYOLOE 等算法的相关设计，本身的创新点不多，偏向工程实践，主推的还是 ultralytics 这个框架本身。

复现细节和结果

 1  total param num 11.143M, 计算量：14.292 GFLOPS
 2  backbone: CSPDarknet
 3  Neck: YOLOv8FAFPN
 4  优化器：SGD,momentum=0.937,初始学习率:10e-3 
 5  损失函数=Lcls+Lreg，Lcls与Lobj(BCELoss),Lreg(CIoULoss + DFL)
 6  batch=12
 7  加载官方完整预训练权重 yolov8_coco.pth
 8  epoch = 30 
 9  总训练时间: 1h 8m 2s
10  训练集：PASCALVOC-2012train+val(0.7)(8078) 
11  测试集：PASCALVOC-2012train+val(0.3)(3462) 
12  训练：GPU: 1 x V100
13  平均推理时间和FPS:8.4ms,119.7fps（RTX 3070ti）

推理速度结构显示：