YOLOv8网络结构介绍

news2024/10/5 17:22:12

将按照YOLOv8目标检测任务、实例分割任务、关键点检测任务以及旋转目标检测任务的顺序来介绍，主要内容也是在目标检测任务中介绍，其他任务也只是Head层不相同。

1.YOLOv8_det网络结构

首先，YOLOv8网络分成了三部分，分别是主干网络、Neck层网络还有一个是Head层网络，下面将按照这三个顺序来介绍下YOLOv8的网络结构，先以YOLOv8l的网络架构来说明。

主干网络是对输入图片进行特征提取的，主干网络主要由CBS模块、C2f模块和SPPF模块构成，其中CBS模块表示Conv、BN和SILU，一般用来对输入图像或者特征图进行卷积，卷积的结果是分辨率下降和通道数增加，由上图可以看到，一共有5个CBS模块，输入图像分辨率从640*640变成了20*20，输入通道数从3变成了512。

C2f是设计用来深度提取特征的一个模块，其输出特征图和输入特征图的大小保持不变，但是在他内部会有多个分支，如下图所示，torch.chunk将（1,128,160,160）特征图分成了两部分，前半部分，即（1,:64,160,160）输出为第一个分支；后半部分，即（1,32:,160,160）除了作为输出的第二个分支外，还会经过n个bottleneck模块，每经过一个Bottleneck都会输出一个通道为64的特征图，所以最后concat得到的通道数为0.5*in_ch*（n+2）,其中in_ch表示输入的通道数，即128，n为bottleneck的个数，当n为3时，concat得到的通道数为320。

SPPF模块这里就看一下就行了，和YOLOv5中的是一样的，并且也是输出特征图和输入特征图的大小保持不变，详细可以看下图的shape表示。经过主干网络，会有三个不同尺度的特征图会输出给下一部分的Neck层网络，分别是80*80、40*40以及20*20。

Neck层网络是用来对主干网络输出的特征图进行特征融合的，也就是把这三个不同的尺度提取到的特征通过上采样的方式进行Concat，经过两次上采样后输出第一个特征图（80*80）给Head层，然后通过CBS模块对特征图进行下采样输出剩下两个特征图（40*40和20*20）给Head层。详细可以看YOLOv8网络结构图。

Head层网络是根据类别数来设计生成特定的特征图，YOLOv8采用的是解耦头的方式来生成，解耦的意思就是说分别生成用来预测CLs和Box的特征图，比如输入尺度为（1,256,80,80）特征图P3，生成Box预测特征图的分支会通过两个CBS模块以及一个Cov2d生成（1,64,80,80）的特征图，生成Cls预测特征图的分支会通过两个CBS模块以及一个Cov2d生成（1,nc,80,80）的特征图，nc表示预测的类别。经过Head层会生成3个预测Box的特征图（1,64,80,80）、（1,64,40,40）和（1,64,20,20）；以及生成3个预测CLs的特征图（1,nc,80,80）、（1,nc,40,40）和（1,nc,20,20）。详细可以看YOLOv8网络结构图。

此外这里再说一下YOLOv8共提供了4个不同的版本，分别为n/s/m/l/x，n是最小的版本，x是最大的版本。这里和YOLOv5有一点区别，每个版本有一个max_channels来控制输出特征图的最大值，比如YOLOv8l中，输出的三个特征图中通道数最大不能超过max_channels*Width,即512*1.00=512，YOLOv8x中最大不能超过512*1.25=640。Depth是用来控制主干网络中C2f中bottleneck的个数的，比如YOLOv8l的depth为1，那么主干网络中的4个C2f的bottleneck个数分别为（3,6,6,3），YOLOv8n的depth为0.33，那么其个数分别为（1,2,2,1）。

还有就是主干网络中的C2f和Neck中的C2f不一样，区别在于是否有残差连接。

2.YOLOv8_seg网络结构

实例分割的backbone网络和Neck网络完全一致，只是Head层会有区别，区别有两点：第一点，三个尺度的特征图在head层除了生成3个预测Box的特征图（1,64,80,80）、（1,64,40,40）和（1,64,20,20）；以及3个预测CLs的特征图（1,nc,80,80）、（1,nc,40,40）和（1,nc,20,20）；还会另外生成3个通道数均为32用来当成Mask系数的特征图mask_coefficients（1,32,80,80）、（1,32,40,40）和（1,32,20,20）；第二，还会通过80*80特征图生成一个大小为（1,32,80,80）Prototype Mask特征图，作为原生分割的特征图。