一、YoloV8

1.网络详解

        ①backbone部分：第一次卷积的卷积核缩小(由3变为6)；CSP模块的预处理卷积从3次变为2次；借鉴了YoloV7的多分支堆叠结构（Multi_Concat_Block）。

                所小第一次卷积的卷积核尺寸会损失部分感受野，但是可以加速整个网络的运算速度。同时CSP模块借鉴了多分支堆叠结构，首先使用卷积将通道数扩充为原来的一倍，然后在此基础上进行对半分割（减少一次卷积次数，加速网络）

        ②FPN部分：不再对骨干网络的特征层进行卷积（可以有效加快计算速度），另外CSP模块预处理次数变为2次。

                FPN获取的特征向量分别来自骨干网络的中层(feat1=80x80x256)，中下层(feat2=40x40x512)，底层(feat3=20x20x1024*deep_mul，其中，deep_mul为深层缩放系数，用一以平衡计算量)。

        上采样部分：

                feat3经过上采样后与feat2融合后再由CSP模块进行减半得到特征向量P4(40x40x512)

                P4经过上采样后与feat1融合后再由CSP模块进行减半得到特征向量P3(80x80x256)

        下采样部分：

                P3经过一次下采样(3x3卷积)与P4 concat，再使用CSP模块进行特征提取，得到新P4(40x40x512)

                新P4同样适用3x3卷积处理后与P5concat，在使用CSP处理，得到新P5（20x20x1024xdeep_mul）

        最后FPN模块输出P3，新P4和新P5，可以很好的结合多尺度特征。

        ③预测头部分：加入DFL模块；同时借鉴了YoloX的anchor free结构，对一些长宽不规则的目标具有优势。

                DFL模块的加入使得Yolo Head不会直接获得回归值，而是通过概率的方式的方式获得回归值，若DFL的长度设为8，那么计算方法如下：

预测结果的softmax值	0.0	0.1	0.0	0.0	0.4	0.5	0.0	0.0	点乘
固定值	0	1	2	3	4	5	6	7	0.1*1+0.4*4+0.5*5=4.2

2.Yolo Head的编码

        经过模型处理后，会得到3个输出结果，设类别数为num_classes，结果如下：

                P3   ：回归输出(20x20x4)，种类输出(20x20x num_classes)

                新P4：回归输出(40x40x4)，种类输出(40x40x num_classes)

                新P5：回归输出(80x80x4)，种类输出(80x80x num_classes)

        其中，回归输出的前两个元素代表预测框左上角的位置，后两个元素代表预测框右下角的位置，种类输出的参数为每个类的概率。

        将上述结果fatten后得到总回归输出(8400x4)，种类输出(8400x num_classes)，经过得分排序和非极大抑制筛选后，满足置信度(confidence)的预测框将被输出。其中，非极大抑制的作用是筛选出一定区域内同一种类得分最大的框。