目标检测--Yolov8

原创 已于 2024-03-29 15:25:56 修改 · 1.4k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#目标检测 #YOLO #人工智能

于 2024-03-29 15:22:37 首次发布
本文详细比较了YoloV8与YoloV5在整体网络架构上的区别，特别是在Backbone、Neck和Head部分的修改。重点介绍了TaskAlignedAssigner策略，以及如何在loss计算中结合不同的损失函数如二元交叉熵和CIoULoss。

YoloV8 和YoloV5类似，主要是对Yolov5上的一些改进与创新

整体网络架构

整体网络架构如图：

对比YoloV5:

先看整体架构，和V5 类似，也是使用了Backbone, neck, head 的方式，最终输出三个特征层。

Backbone

Backbone 中使用了改进的CSPDarNet，与V5的CSP DarkNet 相比，有以下不同：

  1. 在YOLOv8中，self.stem的ksize（卷积核大小）是3，而在YOLOv5中是6。

  2. YOLOv8使用了C2fLayer，而YOLOv5使用了CSPLayer。

  3. YOLOv8中的num_blocks（块的数量）是[3,6,6,3]，而YOLOv5中是[3,6,9,3]。

  4. M/L/X版本的最后一阶段的通道数有所不同。

拿第一个阶段的C2fLayer 和CSPLayer 对比：

这里我看的是PaddleYolo 复现Yolov8的代码，因为习惯用PaddlePaddle

c2f: 输入是128，然后走一个1*1 的BaseConv(卷积+池化+激活)输出还是128,，然后使用split 分成两个64，最后那个继续往下走3次bottlenecks(两个3*3De BaseConv,输出大小不变)，并将每次经过bottlenecks 的结果存下来

最低0.47元/天 解锁文章
YOLOv8 | 代码逐行解析(五) | YOLOv8中损失函数计算的详解包含Cls和Bbox计算的解析，小白必看（下）
Snu77的博客
07-07 5031
本文给大家带来的是YOLOv8中的损失函数计算的完整解析，内容包括v8DetectionLoss的解析，以及BboxLoss的解析，如果你相对损失函数的计算原理，本文内容绝对会对你有所帮助，全文内容包含1万两千字，手打分析文字超过5000字，全部为干货内容，包含示例解释辅助大家理解，对于小白来说十分适合阅读。YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
yolov8检测头
fool996的博客
03-03 1万+
分别通过2个3x3的卷积和一个1x1的卷积来提取信息，最后分别结算Bbox.loss和CLs.loss。可以发现，3层卷积之后有一个for循环，来遍历所有的通道数（3通道），这也是大大加大计算量的原因。cv3: 一个 nn.ModuleList 对象，包含多个卷积层，用于预测每个锚点的类别信息；stride: 一个形状为(nl,）的张量，表示每个检测层的步长（stride）；yolov8中的检测头是yolov8中检测目标的关键，它几乎占了计算量的1/5。nl: 整数，表示检测模型中使用的检测层数；
yolox-backbone详解之CSPLayer（含代码
qq_36136196的博客
08-26 1万+
densenet densenet评价 优点：1.更强的梯度流动 2.减少了参数数量 3.保存了低维度的特征 缺点：进行了多次concat操作，导致显存占用过大 cspdensenet评价： 优点：1.加强CNN的学习能力 2.消除计算瓶颈 3.降低内存成本 在此进行对比， densenet:64*64*1*1+64*64*3*3+64*64*1*1=45056 cspdensenet:(64*32*1*1)*2+32*32*1*1+32*32*3*3+64*64*1*1=18432 所以，可见参数量大
CS-Player知识点
ying1228475251的博客
06-05 1974
public enum PlayerState { Idle, Fire, Melee, Reload } public class Player : MonoBehaviour { PlayerState P = PlayerState.Idle; void Get(PlayerState P) { switch (P) { case PlayerState.Idle:
yolov8模型结构
Priplex的博客
08-17 1万+
正常的yolov8对象检测模型输出层是P3、P4、P5三个输出层，为了提升对小目标的检测能力，新版本的yolov8 已经包含了P2层（P2层做的卷积次数少，特征图的尺寸（分辨率）较大，更加利于小目标识别），有四个输出层。在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。新增加的这个P6，是为了引入更多的参数量，多卷积了一层，是给xlarge那个参数量准备的，属于专门适用于高分辨图片（图片尺寸很大，有大量可挖掘的信息）的版本。
YOLOv8目标检测算法改进之融合SCconv的特征提取方法
pengxiang1998的博客
08-02 4512
经过上述过程，我们便将SCconv模块插入到了YOLOv8模型中，当然这个改进是十分简单的，我们可以对SCconv模块再进行改进，让其更加的适配YOLOv8检测模型，同时我们需要记住的是，写一篇论文不但要求你的创新点要新颖，如何去描述你的创新更是重中之重，正所谓做的好不如说的好（博主还是希望能够既做的好，又说得好）。
第十五章 原理篇：YOLOv8
小闹钟的机器学习时间
07-10 1730
简要介绍yolov8的原理和代码实现。
yolov8交通指示牌检测 ultralytics-main-yolov8-sts-traffic-sign-data.zip
04-22
1、yolov8交通指示牌检测，包含训练好的交通指示牌检测权重，以及PR曲线，loss曲线等等，在5000多交通标志检测据集中训练得到的权重，有pyqt界面，目标类别类别名为warn_sign、ban_sign、guide_sign、wayfinding_...
精选资源
YOLOv8-使用NCNN在安卓平台上部署YOLOv8实现实时目标检测-优质项目-项目实战.zip
10-21
YOLOv8作为最新的实时目标检测算法，在计算机视觉领域中备受关注。它不仅继承了YOLO系列的快速准确的优点，还引入了新的架构和优化手段以适应更广泛的应用场景。与此同时，NCNN框架作为一款专门针对移动端优化的神经...
精选资源
茶叶目标检测-基于YOLOv5实现茶叶目标检测算法-附项目源码+流程教程-优质项目实战.zip
08-21
茶叶目标检测_基于YOLOv5实现茶叶目标检测算法_附项目源码+流程教程_优质项目实战
精选资源
人脸检测-基于YOLOv8实现的人脸检测算法-附项目源码-优质项目实战.zip
05-08
YOLOv8使用了一种称为单阶段目标检测的方法，它不同于两阶段方法（如Faster R-CNN），不需要先生成候选框再进行分类。YOLO模型直接预测边界框和类别概率，简化了流程，提高了检测速度。 YOLOv8在架构上可能包括改进...
Smoke-Detect-by-YoloV5-YOLOv8目标检测模型实战项目
最新发布
11-10
Yolov5 real time smoke detection system YOLOv8目标检测模型实战项目 YOLOv8目标检测模型实战项目 YOLOv8目标检测模型实战项目 YOLOv8目标检测模型实战项目 YOLOv8目标检测模型实战项目
yolov8的Detect层详解(输出维度改动)
热门推荐
yjcccccc的博客
04-20 2万+
对于部署端需要拿到onnx的output进行后处理，但是基于anchor_free的yolov8输出是1*(4+cls)*8400，不是我们常见的ncwh格式，所以对Detect层进行了学习，分享一下体会。
基于yolov8-paddleocr-车牌识别
ww596520206的博客
12-04 1985
使用yolov8模型进行车牌区域识别，然后使用paddlecor模型将字体提取出来，由于数据量很大，支持复杂环境下的识别。数据集共29642张，其中27642张用了做训练，2000张用来做验证。
YOLOv8单目标检测
hello000w的博客
08-18 4911
详细记录了yolov8实现目标检测的过程
对比yolov5的C3，yolov8的C2f，yolov11的C3k2
weixin_38991876的博客
03-28 2817
C3模块基于CSPNet（Cross Stage Partial Network）思想，由三个卷积层构成，分为两条分支：一条通过多个Bottleneck模块堆叠，另一条直接进行卷积操作，最终将两条分支的特征图拼接后输出。引入轻量化设计，如将第一个卷积的核大小从1x1改为3x3，恢复类似ResNet的Bottleneck结构。：在COCO数据集上，YOLOv11的模型参数比YOLOv8减少22%，同时保持更高的mAP。：通过动态结构和注意力机制，更适合复杂场景的高精度需求，但实现复杂度较高。
【YOLOv8实战】手把手带你入门YOLOv8，你也能训练自己的检测器，以SAR目标检测为例（源码+数据集+Gradio界面）
u010522887的专栏
04-11 6326
基于YOLOv8的SAR图像目标检测系统，覆盖数据制作、数据可视化、模型训练/评估/推理/部署全流程，最后通过 Gradio 界面进行展示。
目标检测算法之YOLO（YOLOv8）
weixin_52862386的博客
06-25 4062
其中卷积模块是使用了类似于ELAN的CSPlayer_2conv，分类头采用了解耦结构并使用了anchor-free的方法，损失函数中引入了VFL损失，标签分配采取了类似于yolov6的TAL方法，训练策略是采用最后10个epoch关闭Mosaic数据增强的方式。DFL的思想是基于回归任务预测的唯一性导致模型难以精确的回归到目标值上，转而通过求概率分布的方式，使预测值在目标出取得较大的概率，从而实现一种通过类似于“模糊”定位的方式提高模型收敛的速度，同时提高检测模型的准确率。这里只分析VFL的损失值。
YOLOv5简介
qq_44733706的博客
02-17 1万+
YOLOv5是十分受欢迎的目标检测网络，了解其设计的原理与细节对理解计算机视觉有着很大的好处。
深度学习目标检测---yolov11打印输出检测框中目标物体的像素坐标信息
06-03
### YOLOv11目标检测中物体像素坐标信息的打印方法 YOLO（You Only Look Once）系列算法的目标检测结果通常包含检测框的位置信息，这些信息可以用来获取物体在图像中的像素坐标。对于YOLOv11模型，其输出结果中包含了每个检测框的边界坐标（通常是左上角和右下角的坐标），这些坐标可以直接用于计算物体的像素位置[^3]。 在YOLOv11中，可以通过调用模型预测的结果对象来访问检测框的详细信息。例如，在代码实现中，`results`对象包含了所有检测到的目标及其对应的边界框信息。以下是一个示例代码，展示如何从YOLOv11模型的预测结果中提取并打印物体的像素坐标信息： ```python from ultralytics import YOLO # 导入YOLOv8库，假设YOLOv11与其API类似 import cv2 # 加载YOLOv11模型 model = YOLO(r"path_to_your_model.pt") # 替换为YOLOv11模型的实际路径 # 读取测试图像 image = cv2.imread('test_image.jpg') # 替换为实际图像路径 # 进行目标检测 results = model.predict(image, save=False, show_conf=False) # 遍历检测结果并打印每个检测框的像素坐标 for result in results: boxes = result.boxes # 获取检测框信息 for box in boxes: x1, y1, x2, y2 = box.xyxy[0] # 提取边界框的左上角(x1, y1)和右下角(x2, y2)坐标 class_id = box.cls # 获取类别ID confidence = box.conf # 获取置信度 print(f"类别的ID: {class_id}, 置信度: {confidence:.2f}, 像素坐标: (x1={x1:.2f}, y1={y1:.2f}, x2={x2:.2f}, y2={y2:.2f})") ``` 上述代码片段展示了如何从YOLOv11模型的预测结果中提取检测框的像素坐标，并将其打印出来。其中，`box.xyxy`返回的是检测框的四个边界坐标值，分别对应左上角和右下角的横纵坐标[^5]。 需要注意的是，YOLOv11模型的具体API可能与YOLOv8略有不同。如果发现API不一致，请参考YOLOv11官方文档或源码以调整相关代码逻辑。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值