yolov8结合vmamba，目标检测涨点起飞！

1. 1.基础环境的安装（默认在linux+ubuntu+anaconda）具体细节可以参考我的上一篇博客https://blog.youkuaiyun.com/Sakura_zhl/article/details/144562240，其中的不同点只有causal_conv1d和mamba_ssm两个包的版本不同。

   conda create -n VMamba python==3.10.13
   conda activate VMamba
   conda install cudatoolkit==11.8 -c nvidia
   pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118
   conda install -c "nvidia/label/cuda-11.8.0" cuda-nvcc
   conda install packaging
   pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html
   pip install mmengine==0.10.1
   pip install mmdet==3.3.0 mmsegmentation==1.2.2 mmpretrain==1.2.0
   pip install causal_conv1d==1.0.0
   pip install mamba_ssm==1.0.1

2. 核心代码文件的创建与添加。在ultralytics/nn文件夹，建立Addmoudules文件夹，并在该文件夹下建立vmamba.py和__init__.py。打开task.py 文件，导入vmamba模块。task.py 343 行修改，1002行 添加MambaLayer，具体改动参考博客：YOLOv8改进 _ 自定义数据集训练 _ VMamba助力YOLOv8检测（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）_YOLO系列模型有效涨点改进-优快云专栏.html
    
3. 构建模型配置文件yolov8-vmambanet.yaml，配置网络结构，主要的变动在于backbone模块，将C2f模块换成mamba，类似于yolo10对于yolo8的改动，yolo10是将C2f替换为C2fCIB。
   
4. 数据集配置，我使用的是ddsm数据集，文件结构如下，其中images存放所有的图像，annotations和labels都存放的标注文件，区别在于annotations存放的是xml格式的，labels存放的是yolo格式的，因为我们使用的是yolo模型，所以要提前将标注文件格式从xml—>yolo：
   
5. train.py文件配置，最主要的就是两个文件的加载，其中第一个是yolo8_vmamba模型的配置文件，第二个是数据集载入的配置文件，需要根据自己的情况进行修改，其余参数的话也根据自己的需求进行修改：
   
6. 数据集配置文件，主要就是数据集地址和目标检测类别名称。
   
7. 第一次训练，epoch = 150，yolov8n + vmamba，加载预训练模型，yolov8n，网络结构成功加载：
   

8. 训练结果,mAP 指标达到了0.724，在没有任何调整的情况下直接跑出来这个结果，还是挺不错的：