YOLOv8原理深度解讀,超級詳細(xì)【未完待續(xù)】
從第一步，到最后一步，帶著你捋
如果這篇博客對你有幫助，希望你 點(diǎn)贊、收藏、關(guān)注、評論，歡迎您將本文轉(zhuǎn)發(fā)給你的朋友,您的認(rèn)可將是我創(chuàng)作下去最大的動力！
整體架構(gòu)
Backbone： Feature Extractor提取特征的網(wǎng)絡(luò)，其作用就是提取圖片中的信息，供后面的網(wǎng)絡(luò)使用
Neck ： 放在backbone和head之間的，是為了更好的利用backbone提取的特征,起著“特征融合”的作用。
Head：利用前面提取的特征，做出識別
常見的一些Backbone, Neck, Head網(wǎng)絡(luò)
———————————————————————————————————————————
———————————————————————————————————————————
———————————————————————————————————————————
我們在后文講述YOLOv8模型過程中會使用大量的術(shù)語和縮寫。同樣地，當(dāng)我們在閱讀網(wǎng)上這些YOLOv8的帖子的時(shí)候，我們會發(fā)現(xiàn)這些帖子（包括本文）都是默認(rèn)你已經(jīng)十分了解YOLOv1到Y(jié)OLOv7的這些模型知識。或者說你起碼要非常熟悉YOLOv5。
這是因?yàn)閅OLOv8是博采眾長的集大成之作。它參考了YOLOv1到Y(jié)OLOv7系列的模型，博采眾長，集各家優(yōu)點(diǎn)于一身。
如果你在閱讀我后文博客的過程中，發(fā)現(xiàn)有些有些設(shè)計(jì)思想你不熟悉，很多術(shù)語不知道是什么意思，那么你可以讀讀我下面這幾篇有關(guān)YOLOv8前置知識的掃盲帖。這些帖子將有助于你深入理解并吃透YOLOv8
這些掃盲帖的編寫需要花費(fèi)一些時(shí)間。我會一篇篇寫完，更新在這里，盡我全力帶你了解YOLOv1到Y(jié)OLOv7所有的模型。
淺析目標(biāo)檢測入門算法：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4_德彪穩(wěn)坐倒騎驢的博客-CSDN博客本文致力于讓讀者對以下這些模型的創(chuàng)新點(diǎn)和設(shè)計(jì)思想有一個(gè)大體的認(rèn)識，從而知曉YOLOv1到Y(jié)OLOv4的發(fā)展源流和歷史演進(jìn)，進(jìn)而對目標(biāo)檢測技術(shù)有更為宏觀和深入的認(rèn)知。本文講解的模型包括：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。https://blog.csdn.net/Albert233333/article/details/132729610
——
目標(biāo)檢測評估指標(biāo)mAP：從Precision,Recall,PR曲線到AP_德彪穩(wěn)坐倒騎驢的博客-CSDN博客本文從True Positive, False Positive和False Negative的定義出發(fā)，講解了Precision和Recall的定義，如何繪制P-R(Precision Recall)曲線，如何進(jìn)一步計(jì)算得出AP。本文提供了手動計(jì)算所有指標(biāo)的過程以及用sklearn計(jì)算這些指標(biāo)的代碼以及P-R curve的示意圖。通過閱讀本文你可以從源頭開始了解mAP這一指標(biāo)是如何計(jì)算的。https://blog.csdn.net/Albert233333/article/details/132752216
——
YOLOv3模型原理深度解析_德彪穩(wěn)坐倒騎驢的博客-CSDN博客本文從以下六個(gè)層面對YOLOv8的模型原理進(jìn)行了解讀。本文首先講解了其backbone DarkNet53使用殘差連接和1×1卷積帶來的優(yōu)勢。然后針對backbone上的Feautre Pyramid Network在CNN自動特征提取、整合多尺度特征上的優(yōu)勢。然后本文講解YOLOv3首次引入的anchor based方法。YOLOv3采用相對坐標(biāo)的方式來推算絕對坐標(biāo)。最后本文分析了損失函數(shù)的構(gòu)成https://blog.csdn.net/Albert233333/article/details/132963137
———————————————————————————————————————————
———————————————————————————————————————————
———————————————————————————————————————————
Backbone
Darknet-53
53指的是“52層卷積”+output layer。
借鑒了其他算法的這些設(shè)計(jì)思想
借鑒了VGG的思想，使用了較多的3×3卷積，在每一次池化操作后，將通道數(shù)翻倍；
借鑒了network in network的思想，使用全局平均池化（global average pooling）做預(yù)測，并把1×1的卷積核置于3×3的卷積核之間，用來壓縮特征；（我沒找到這一步體現(xiàn)在哪里）
使用了批歸一化層穩(wěn)定模型訓(xùn)練，加速收斂，并且起到正則化作用。
以上三點(diǎn)為Darknet19借鑒其他模型的點(diǎn)。Darknet53當(dāng)然是在繼承了Darknet19的這些優(yōu)點(diǎn)的基礎(chǔ)上再新增了下面這些優(yōu)點(diǎn)的。因此列在了這里
借鑒了ResNet的思想，在網(wǎng)絡(luò)中大量使用了殘差連接，因此網(wǎng)絡(luò)結(jié)構(gòu)可以設(shè)計(jì)的很深，并且緩解了訓(xùn)練中梯度消失的問題，使得模型更容易收斂。
使用步長為2的卷積層代替池化層實(shí)現(xiàn)降采樣。（這一點(diǎn)在經(jīng)典的Darknet-53上是很明顯的，output的長和寬從256降到128，再降低到64，一路降低到8，應(yīng)該是通過步長為2的卷積層實(shí)現(xiàn)的；在YOLOv8的卷積層中也有體現(xiàn)，比如圖中我標(biāo)出的這些位置）
特征融合
模型架構(gòu)圖如下
Darknet-53的特點(diǎn)可以這樣概括：（Conv卷積模塊+Residual Block殘差塊）串行疊加4次
Conv卷積層+Residual Block殘差網(wǎng)絡(luò)就被稱為一個(gè)stage
上面紅色指出的那個(gè)，原始的Darknet-53里面有一層 卷積，在YOLOv8里面，把一層卷積移除了
為什么移除呢？
原始Darknet-53模型中間加的這個(gè)卷積層做了什么？濾波器（卷積核）的個(gè)數(shù)從 上一個(gè)卷積層的512個(gè)，先增加到1024個(gè)卷積核，然后下一層卷積的卷積核的個(gè)數(shù)又降低到512個(gè)
移除掉這一層以后，少了1024個(gè)卷積核，就可以少做1024次卷積運(yùn)算，同時(shí)也少了1024個(gè)3×3的卷積核的參數(shù)，也就是少了9×1024個(gè)參數(shù)需要擬合。這樣可以大大減少了模型的參數(shù)，（相當(dāng)于做了輕量化吧）
移除掉這個(gè)卷積層，可能是因?yàn)樽髡甙l(fā)現(xiàn)移除掉這個(gè)卷積層以后，模型的score有所提升，所以才移除掉的。為什么移除掉以后，分?jǐn)?shù)有所提高呢？可能是因?yàn)槎嗔诉@些參數(shù)就容易，參數(shù)過多導(dǎo)致模型在訓(xùn)練集刪過擬合，但是在測試集上表現(xiàn)很差，最終模型的分?jǐn)?shù)比較低。你移除掉這個(gè)卷積層以后，參數(shù)減少了，過擬合現(xiàn)象不那么嚴(yán)重了，泛化能力增強(qiáng)了。當(dāng)然這個(gè)是，拿著你做實(shí)驗(yàn)的結(jié)論，反過來再找補(bǔ)，再去強(qiáng)行解釋這種現(xiàn)象的合理性。
過擬合（是否可以這樣解釋，你可以問問老師）
通過MMdetection官方繪制冊這個(gè)圖我們可以看到，進(jìn)來的這張圖片經(jīng)過一個(gè)“Feature Pyramid Network(簡稱FPN)”，然后最后的P3、P4、P5傳遞給下一層的Neck和Head去做識別任務(wù)。 PAN（Path Aggregation Network）
在這里插入圖片描述
“FPN是自頂向下，將高層的強(qiáng)語義特征傳遞下來。PAN就是在FPN的后面添加一個(gè)自底向上的金字塔，對FPN補(bǔ)充，將低層的強(qiáng)定位特征傳遞上去，
FPN是自頂（小尺寸，卷積次數(shù)多得到的結(jié)果，語義信息豐富）向下（大尺寸，卷積次數(shù)少得到的結(jié)果），將高層的強(qiáng)語義特征傳遞下來，對整個(gè)金字塔進(jìn)行增強(qiáng)，不過只增強(qiáng)了語義信息，對定位信息沒有傳遞。PAN就是針對這一點(diǎn)，在FPN的后面添加一個(gè)自底（卷積次數(shù)少，大尺寸）向上（卷積次數(shù)多，小尺寸，語義信息豐富）的金字塔，對FPN補(bǔ)充，將低層的強(qiáng)定位特征傳遞上去，又被稱之為“雙塔戰(zhàn)術(shù)”。
FPN層自頂向下傳達(dá)強(qiáng)語義特征，而特征金字塔則自底向上傳達(dá)強(qiáng)定位特征，兩兩聯(lián)手，從不同的主干層對不同的檢測層進(jìn)行參數(shù)聚合,這樣的操作確實(shí)很皮。
自底向上增強(qiáng)
而 PAN（Path Aggregation Network）是對 FPN 的一種改進(jìn)，它的設(shè)計(jì)理念是在 FPN 后面添加一個(gè)自底向上的金字塔。PAN 引入了路徑聚合的方式，通過將淺層特征圖（低分辨率但語義信息較弱）和深層特征圖（高分辨率但語義信息豐富）進(jìn)行聚合，并沿著特定的路徑傳遞特征信息，將低層的強(qiáng)定位特征傳遞上去。這樣的操作能夠進(jìn)一步增強(qiáng)多尺度特征的表達(dá)能力，使得 PAN 在目標(biāo)檢測任務(wù)中表現(xiàn)更加優(yōu)秀。
FPN Explained | Papers With Code
https://jonathan-hui.medium.com/understanding-feature-pyramid-networks-for-object-detection-fpn-45b227b9106c
正常的YOLOv8對象檢測模型輸出層是P3、P4、P5三個(gè)輸出層，為了提升對小目標(biāo)的檢測能力，新版本的YOLOv8 已經(jīng)包含了P2層（P2層做的卷積次數(shù)少，特征圖的尺寸（分辨率）較大，更加利于小目標(biāo)識別），有四個(gè)輸出層。Backbone部分的結(jié)果沒有改變，但是Neck跟Header部分模型結(jié)構(gòu)做了調(diào)整。這就是為什么v8模型yaml文件里面（https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8）有p2這個(gè)模型
新增加的這個(gè)P6，是為了引入更多的參數(shù)量，多卷積了一層，是給xlarge那個(gè)參數(shù)量準(zhǔn)備的，屬于專門適用于高分辨圖片（圖片尺寸很大，有大量可挖掘的信息）的版本。
model=yolov8n.ymal 使用正常版本
model=yolov8n-p2.ymal 小目標(biāo)檢測版本
model=yolov8n-p6.ymal 高分辨率版本
xxxYOLOv8 版本升級支持小目標(biāo)檢測與高分辨率圖像輸入
YOLOv8計(jì)劃提供的模型的列表Models - Ultralytics YOLOv8 Docs；https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models
自定義數(shù)據(jù)集上訓(xùn)練YOLOv5Train Custom Data - Ultralytics YOLOv8 Docs
整個(gè)YOLOv8的backbone，畫出圖來是下面這樣
我們可以看到這個(gè)backbone由三種模塊組成，CBS、C2f、SPPF
卷積模塊使用CBS
三部分組成（1）一個(gè)二維卷積+（2）二維BatchNorm+（3）SiLU激活函數(shù)
SiLU的激活是通過sigmoid函數(shù)乘以其輸入來計(jì)算的，即xσ(x)。
SiLU的優(yōu)勢:（沒必要這樣理解，多余的）
無上界（避免過擬合）（Diss:哪個(gè)激活函數(shù)是有上界的？）
有下界（產(chǎn)生更強(qiáng)的正則化效果）（Diss，同上，很多的激活函數(shù)都是有下界的，這句話有沒有必要）
平滑（處處可導(dǎo) 更容易訓(xùn)練）（agree：確實(shí)比relu平滑）
x<0具有非單調(diào)性，函數(shù)值先降后增，-1以前是減函數(shù)，-1以后是增函數(shù)（對分布有重要意義 這點(diǎn)也是Swish和ReLU的最大區(qū)別）
老師認(rèn)為SiLU函數(shù)優(yōu)秀在哪里？
你去看棕黃色的那條線，是d(SiLU)，也就是SiLU激活函數(shù)的導(dǎo)函數(shù)，你可以看到，當(dāng)x趨近于正無窮的時(shí)候，它的導(dǎo)函數(shù)趨近于一個(gè)比1大一點(diǎn)點(diǎn)的恒定的值
從下界那個(gè)點(diǎn)的自變量值（函數(shù)值最低的那個(gè)點(diǎn)，對應(yīng)的橫坐標(biāo)，也就是接近-1的那個(gè)點(diǎn)），往正半軸走，整個(gè)函數(shù)的單調(diào)遞增的
Residual block使用C2f
一個(gè)CBS卷積層，
一個(gè)split，就是把 height × width × c_out這個(gè)feature map的channel這一維度（c_out）切成兩半,一半的feature map是h × w × 0.5c_cout,另一半是h × w × 0.5c_cout。這個(gè)把channel一劈兩半的行為稱之為split
bottleneck之前的feature map和bottleneck之后的feature map進(jìn)行concat融合，這叫殘差連接
n個(gè)Bottleneck串行，每個(gè)Bottleneck都和最后一個(gè)Bottleneck concatenate起來，類似于做了特征融合
優(yōu)勢：讓YOLOv8可以在保證輕量化的同時(shí)獲得更加豐富的梯度流信息。（我沒看出來哪里實(shí)現(xiàn)了輕量化？ 梯度流信息豐富性如何體現(xiàn)？梯度流信息豐富了有什么好處？）
SPPF
進(jìn)來一個(gè)CBS卷積層，然后串行的三個(gè)Maxpooling，未做Maxpooling的feature map和每多做一次Maxpooling后得到的feauture map進(jìn)行concat 拼接，實(shí)現(xiàn)特征融合
用CSP的“網(wǎng)絡(luò)設(shè)計(jì)方法“對Darknet進(jìn)行輕量化
把原始的feature map和原始feauture map經(jīng)過卷積操作后得到的結(jié)果進(jìn)行concat，就是CSP的思想
你單獨(dú)去看backbone，你發(fā)現(xiàn)好像這些模塊之間似乎沒有使用CSP思想。一路串行下來，沒有任何的跨層融合。
其實(shí)CSP思想的用在了組成backbone的這幾個(gè)模塊上，C2f模塊和SPPF模塊。C2f模塊里面的DarknetBottleneck（add=True）也使用了CSP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)思想。
Neck
Neck上CSP思想的運(yùn)用。
下圖有四個(gè) 紅心"c" 使用了CSP的思想。統(tǒng)統(tǒng)都是沒做過卷積的原始feature map和將“原始特征圖”進(jìn)行過很多個(gè)卷積操作的feauture map進(jìn)行融合，融合的位置就是在 四個(gè) 紅心"c" 那里。
PAN-FPN
PAN-FPN，是指的在在YOLOv8的neck部分模仿PANet里面的backbone，也就是FPN網(wǎng)絡(luò)（feature pyramid network）進(jìn)行組織。PAN-FPN這個(gè)網(wǎng)絡(luò)的特點(diǎn)進(jìn)行簡單概括，就是先下采樣，然后再上采樣，上采樣和下采樣的這兩個(gè)分支之間還有兩個(gè)跨層融合連接。（也可以反過來，先上采樣，再下采樣）
用C2f模塊作為residual block
沒啥好說的，就是圖中這四個(gè)綠藍(lán)色的模塊
Head
先分叉開兩個(gè)CBS卷積模塊，然后過一個(gè)Conv2d,最后分別算出classifcation loss和Bbox loss
Decoupled-Head解耦頭
Head 部分相比 YOLOv5 改動較大，從原先的耦合頭換成了目前主流的解耦頭結(jié)構(gòu)（Decoupled-Head），將分類和檢測頭分離。同時(shí)由于使用了DFL（Distributional Focal Loss） 的思想，因此回歸頭的通道數(shù)也變成了4*reg_max的形式，reg_max默認(rèn)16。
它這個(gè)解耦頭Decoupled Head,具體是怎么把分類和識別這兩個(gè)任務(wù)分離開的，你要去看代碼，就是下面這段。（我現(xiàn)在還沒搞懂是怎么做到拆分開的，后面需要用到這一塊的時(shí)候，再來詳細(xì)看，詳細(xì)了解）
一個(gè)head做目標(biāo)識別，用Bbox Loss來衡量。損失函數(shù)包括兩部分CIoU和DFL
一個(gè)head做分類，用用BCE 二分類交叉熵?fù)p失函數(shù) 衡量,實(shí)際用的是VFL（Varifocal Loss）
損失函數(shù)的設(shè)計(jì)
分類損失函數(shù)
這里注意，雖然在“\ultralytics\yolo\utils\loss.py” line 11 像下面這樣定義了VarifocalLoss,，但是在最后訓(xùn)練的時(shí)候，實(shí)際采用的分類損失是BCE loss
class VarifocalLoss(nn.Module):
# Varifocal loss by Zhang et al. https://arxiv.org/abs/2008.13367
def __init__(self):
super().__init__()
def forward(self, pred_score, gt_score, label, alpha=0.75, gamma=2.0):
weight = alpha * pred_score.sigmoid().pow(gamma) * (1 - label) + gt_score * label
with torch.cuda.amp.autocast(enabled=False):
loss = (F.binary_cross_entropy_with_logits(pred_score.float(), gt_score.float(), reduction="none") *
weight).sum()
return loss
證據(jù)我提供在下面。在“\ultralytics\yolo\v8\detect\train.py” line 187有下面這段代碼。是train.py文件中這個(gè)類下面的代碼“class Loss:”
首先我們可以看到對于cls. loss, YOLOv8的作者，沒有使用varifocal loss,(盡管前面在loss.py作者定義了varifocal loss),而是使用了BCE loss
然后bbox loss 是 CIoU和DFL
然后這三個(gè)loss加權(quán)平均得到最終的loss
# cls loss
# loss[1] = self.varifocal_loss(pred_scores, target_scores, target_labels) / target_scores_sum # VFL way
loss[1] = self.bce(pred_scores, target_scores.to(dtype)).sum() / target_scores_sum # BCE
# bbox loss
if fg_mask.sum():
loss[0], loss[2] = self.bbox_loss(pred_distri, pred_bboxes, anchor_points, target_bboxes, target_scores,
target_scores_sum, fg_mask)
loss[0] *= self.hyp.box # box gain
loss[1] *= self.hyp.cls # cls gain
loss[2] *= self.hyp.dfl # dfl gain
return loss.sum() * batch_size, loss.detach() # loss(box, cls, dfl)
分類損失VFL Loss
樣本不均衡，正樣本極少，負(fù)樣本極多，需要降低負(fù)樣本對 loss 的整體貢獻(xiàn)了，于是用了focal loss。VFL當(dāng)然具備focal loss擁有的所有特性。
VFL獨(dú)有的：（1）學(xué)習(xí) IACS 得分( localization-aware 或 IoU-aware 的 classification score）（2）如果正樣本的 gt_IoU 很高時(shí)，則對 loss 的貢獻(xiàn)更大一些，可以讓網(wǎng)絡(luò)聚焦于那些高質(zhì)量的樣本上，也就是說訓(xùn)練高質(zhì)量的正例對AP的提升比低質(zhì)量的更大一些。
目標(biāo)識別損失1-DFL(Distribution Focal Loss)
這個(gè)東西的公式入下
https://arxiv.org/pdf/2006.04388.pdf
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
目標(biāo)識別損失2-CIOU Loss
CIoU講述的最清楚的一篇文章——
?????目標(biāo)檢測中的損失函數(shù)IoU、GIoU、DIoU、CIoU、SIoU_siou和ciou__-CHEN-_的博客-CSDN博客
考慮到長寬比
三角形湊成一堆，三角形匹配問題
樣本匹配
YOLOv8則是（1）拋棄了Anchor-Base方法，轉(zhuǎn)而使用Anchor-Free方法，（2）找到了一個(gè)替代邊長比例的匹配方法——TaskAligned
Anchor-Based是什么？——Anchor-Based是指的利用anchor匹配正負(fù)樣本，從而縮小搜索空間，更準(zhǔn)確、簡單地進(jìn)行梯度回傳，訓(xùn)練網(wǎng)絡(luò)。
Anchor-Based方法的劣勢是什么？——但是因?yàn)橄铝羞@些劣勢，我們拋棄掉了anchor 這一多余的步驟：anchor也會對網(wǎng)絡(luò)的性能帶來影響，（1）如巡訓(xùn)練匹配時(shí)較高的開銷、（2）有許多超參數(shù)需要人為嘗試調(diào)節(jié)等
Anchor-free的優(yōu)勢是什么？——Anchor-free模型則摒棄或是繞開了錨的概念，用更加精簡的方式來確定正負(fù)樣本，同時(shí)達(dá)到甚至超越了兩階段anchor-based的模型精度，并擁有更快的速度。
為與NMS（non maximum suppression非最大抑制）搭配，訓(xùn)練樣例的Anchor分配需要滿足以下兩個(gè)規(guī)則：——設(shè)計(jì)TaskAligned這個(gè)規(guī)則初衷
正常對齊的Anchor應(yīng)當(dāng)可以預(yù)測高分類得分，同時(shí)具有精確定位；
不對齊的Anchor應(yīng)當(dāng)具有低分類得分，并在NMS階段被抑制。 基于上述兩個(gè)目標(biāo)，TaskAligned設(shè)計(jì)了一個(gè)新的Anchor alignment metric 來在Anchor level 衡量Task-Alignment的水平。并且，Alignment metric 被集成在了 sample 分配和 loss function里來動態(tài)的優(yōu)化每個(gè) Anchor 的預(yù)測。（完全沒看懂這句話）
Anchor alignment metric：
分類得分和 IoU表示了這兩個(gè)任務(wù)的預(yù)測效果，所以，TaskAligned使用分類得分和IoU的高階組合來衡量Task-Alignment的程度。使用下列的方式來對每個(gè)實(shí)例計(jì)算Anchor-level 的對齊程度：
s 和 u 分別為分類得分和 IoU 值，α 和 β 為權(quán)重超參。 從上邊的公式可以看出來，t 可以同時(shí)控制分類得分和IoU 的優(yōu)化來實(shí)現(xiàn) Task-Alignment，可以引導(dǎo)網(wǎng)絡(luò)動態(tài)的關(guān)注于高質(zhì)量的Anchor。TaskAlignedAssigner 的匹配策略簡單總結(jié)為： 根據(jù)分類與回歸的分?jǐn)?shù)加權(quán)的分?jǐn)?shù)選擇正樣本。
Training sample Assignment：
為提升兩個(gè)任務(wù)的對齊性，TOOD（Task-aligned One-stage Object Detection）聚焦于Task-Alignment Anchor，采用一種簡單的分配規(guī)則選擇訓(xùn)練樣本：對每個(gè)實(shí)例，選擇m個(gè)具有最大t值的Anchor作為正樣本，選擇其余的Anchor作為負(fù)樣本。然后，通過損失函數(shù)(針對分類與定位的對齊而設(shè)計(jì)的損失函數(shù))進(jìn)行訓(xùn)練。
看完后覺得哪些地方可以改進(jìn)？
損失函數(shù)改進(jìn)，畢竟還有個(gè)數(shù)人數(shù)的那個(gè)指標(biāo)可以加進(jìn)損失函數(shù)里
小目標(biāo)檢測的方法往里套
加入Transformer
拿市面上的對卷積層做一個(gè)優(yōu)化改造方法拿來用
數(shù)據(jù)增強(qiáng)，最SOTA的方法拿來用
把backbone上更新、最SOTA的模型拿來用，——使用多個(gè)主干網(wǎng)絡(luò)融合來提取特征（Multi-Backbone？
模型輕量化、加速
SOTA的新出的追蹤算法或者追蹤算法的優(yōu)化
遠(yuǎn)距離小目標(biāo)檢測
"集智書童"知識星球里面和YOLOv8相關(guān)的鏈接
YOLOv8結(jié)構(gòu)圖和五大改進(jìn)點(diǎn)：https://wx.zsxq.com/dweb2/index/topic_detail/814854811155422
YOLOv8詳細(xì)解讀：https://wx.zsxq.com/dweb2/index/topic_detail/814854811155422
YOLOv8用TensorRT部署到硬件https://wx.zsxq.com/dweb2/index/topic_detail/584185818452144
YOLOv8+DeepStreamhttps://wx.zsxq.com/dweb2/index/topic_detail/214885552854821
YOLOv8+跟蹤：https://wx.zsxq.com/dweb2/index/topic_detail/814885552518882
YOLO相關(guān)的所有https://articles.zsxq.com/id_4plsnfatosf0.html
目標(biāo)檢測相關(guān)的https://wx.zsxq.com/dweb2/index/topic_detail/812848148881212
如果這篇博客對你有幫助，希望你 點(diǎn)贊、收藏、關(guān)注、評論，您的認(rèn)可將是我創(chuàng)作下去最大的動力！
本人承認(rèn)本篇博客里面有（1）許多的細(xì)節(jié)錯(cuò)誤需要校正（2）很多內(nèi)容并沒有解釋清楚，比如YOLOv8的backbone是如何設(shè)計(jì)的？neck是如何設(shè)計(jì)的？head 里面的decoupled head是什么？之前是什么樣的？好在哪里？
我會在后面的半年里通過多家付費(fèi)課程包括不限于，深度之眼-目標(biāo)檢測、咕泡AI-YOLO系列、自動駕駛之心-目標(biāo)檢測等課程進(jìn)行深入學(xué)習(xí)。我學(xué)習(xí)到的知識和精華內(nèi)容我都會補(bǔ)充在這篇博客里。
《目標(biāo)檢測》-第32章-淺析YOLOv8 - 知乎
浙公網(wǎng)安備 33010602011771號