轻量化AFPN设计与Transformer Attention融合在YOLOv8检测中的应用

YOLOv8改进 | 检测头篇 | 利用AFPN改进检测头适配YOLOv8版本

在目标检测领域，YOLO系列模型以其高效和实时性备受关注。YOLOv8的结构相较于之前版本更加灵活，但在检测头部分仍然存在优化空间。本文介绍一种改进方法：引入AFPN（Adaptive Feature Pyramid Network），增强特征融合，使其更好地适配YOLOv8的检测头，以提高检测性能。

---

1. YOLOv8检测头概述

YOLOv8的检测头主要采用Decoupled Head结构，即分离了分类（Cls）和回归（Reg）任务，使两者在不同的路径上独立学习，从而提升检测精度。然而，当前的特征融合方式仍然较为固定，未能充分利用不同层级特征的信息，尤其是在目标尺寸多样化的场景下，可能会造成特征表达的不足。

AFPN的核心思想是利用自适应特征融合，在特征金字塔基础上进一步优化信息流，使检测头能够适应不同尺度的目标，提高检测性能。

---

2. AFPN（Adaptive Feature Pyramid Network）简介

AFPN是FPN（Feature Pyramid Network）和BiFPN（Bi-directional FPN）等结构的进一步优化，它主要包括：