YOLO8（未完待续）

前言

YOLO10都出来为什么还要写这篇YOLO8? 首先YOLO8作为ultralytics出品的里程碑检测网络（不局限于目标检测）有必要对其深入挖掘，其次网络作者的PK数据基本基于通用的大数据集，但当在使用者自己的应用场景数据集中其实未见的新网络会更好（例如这篇paper：Precision and Adaptability of YOLOv5 and YOLOv8 in Dynamic Robotic Environments 作者研究对YOLOv5和YOLOv8模型进行了比较分析，挑战了后者在性能指标方面优越性的普遍假设。与最初的预期相反，YOLOv5模型在物体检测任务中表现出了可比性，在某些情况下甚至更高的精度。）

整个YOLO网络发展史基本从以下3点做出改进，网络结构、loss、训练方法，本文也将从这3点进行阐述；

网络结构

整个yolo8结构可参考：YOLO8总体结构图
但图中的head结构与我看的代码中的结构略有差异，具体可以参考后面的head流程图。

网络结构中的block_n这里简述为块n。

块0（ConvModule）：stem，重复1次，输出P1, 降2倍

卷积模块ConvModule（pytorch的conv2d+bn+silu），卷积k=3，s=2；卷积块默认不带偏置；
卷积s=2，所以输出map分辨率下降2倍。

stage1：块1+块2

块1（ConvModule）：重复1次，输出P2, 降2倍（在此已降4倍）
卷积模块ConvModule（pytorch的conv2d+bn+silu），卷积k=3，s=2；卷积块默认不带偏置；
卷积s=2，所以输出map分辨率下降2倍，输出通道数Cout=128*width。

块2：重复3*depth次Bottleneck（有shortcut），输出hwc等于块的输入；
与YOLO5相比这里每个Bottleneck的输出能跳接到模块最后输出，丰富了特征输出；结构如下图：

stage2：块3+块4

块3（ConvModule）：重复1次，输出P3, 降2倍（在此已降8倍）
卷积模块ConvModule（pytorch的conv2d+bn+silu），卷积k=3，s=2；卷积块默认不带偏置；
卷积s=2，所以输出map分辨率下降2倍，输出通道数Cout=256*width。

块4：重复6*depth次Bottleneck（有shortcut），输出hwc等于块的输入
结构与块2所示流程图一致。

stage3：块5+块6

块5（ConvModule）：重复1次，输出P4, 降2倍（在此已降16倍）
卷积模块ConvModule（pytorch的conv2d+bn+silu），卷积k=3，s=2；卷积块默认不带偏置；
卷积s=2，所以输出map分辨率下降2倍，输出通道数Cout=512*width。

块6：重复6*depth次Bottleneck（有shortcut），输出hwc等于块的输入
结构与块2所示流程图一致。

stage4：块7+块8+块9(SPPF)

块7（ConvModule）：重复1次，输出P5, 降2倍（在此已降32倍）
卷积模块ConvModule（pytorch的conv2d+bn+silu），卷积k=3，s=2；卷积块默认不带偏置；
卷积s=2，所以输出map分辨率下降2倍，输出通道数Cout=1024*width。

块8：重复3*depth次Bottleneck（有shortcut），输出hwc等于块的输入
结构与块2所示流程图一致。

块9(SPPF,Spatial Pyramid Pooling,SPP的改良版，快速空间金字塔池化)：
卷积块通道减半，串行3个55的maxpooling，concat这个4个中间结果，再卷积块，通道为指定输出的通道数（一般等于输入）。
SPPF在yolo5后期版本就已经有了，作用是实现局部特征和全局特征的featherMap级别的融合。3个size=55的串行池化，效果与SPP的55,99,13*13这3个size并行池化一致，但速度更快；
结构图如下：

以上就是整个backbone

---

以下就是目标检测的neck
与yolo5一样采用PAFAN结构，相比FPN，提出自底向上路径增强,用低层精确定位信号增强整个特征金字塔,缩短从底层到顶层的信息路径：
PAFAN大致结构可以参考：PAFAN

先往上融合
块10：Upsample，2倍的上采样；（分辨率1/16）
块11：Concat，块10与块6的输出在通道维度上链接(concat)；
块12：C2f（结构与块2所示流程图一致），bottleneck不做shortcut；

——————
块13：Upsample，2倍的上采样；（分辨率1/8）
块14：Concat，块13与块4通道维度上链接(concat)；
块15：C2f（结构与块2所示流程图一致），bottleneck不做shortcut，输出通道数Cout=256width；
输出给head
再往下融合
块16：&