YOLOv8详解 @蔡鋆捷@程宏
输入“/”快速插入内容
YOLOv8详解 @蔡鋆捷@程宏
YOLOv8详解 @蔡鋆捷@程宏
用户6214用户6214
用户8611用户8611用户4207用户4207用户5474用户5474用户3890用户3890
用户8145用户81452025年6月12日修改
1.
YOLOv系列的发展历程
然后, 我们来到了于2023年1月发布的Ultralytics YOLOv8。
与v5和v6一样，YOLOv8没有官方论文(说是会有,但是鸽了,可恶)，但宣称具有更高的准确率和更快的速度。
自YOLOv8发布以来，不同的研究团队分别发布了YOLOv9（2024年2月）、YOLOv10（2024年5月）、YOLO11（2024年9月）、YOLOv12（2025年2月）。
1.
YOLOv9
b.
2.
YOLOv10
a.
b.
3.
YOLO11
a.
论文：无
4.
YOLOv12
a.
论文：YOLOv12：Attention-Centric Real-Time Object Detectors（布法罗大学等）
YOLOv8 performance https://docs.ultralytics.com/models/yolov8/#overview
YOLOv8根据参数数量有五种变体——超小（n）、小（s）、中（m）、大（l）和超大（x）
例如，YOLOv8-m在COCO数据集和A100 TensorRT上的平均精度均值（mAP）得分为50.2，时间为1.83毫秒。
YOLOv8还具备Python包和基于命令行界面（CLI）的实现方式，这使其易于使用和开发。
让我们仔细看看YOLOv8能做什么，并探究其一些重要的发展成果。
YOLOv8
YOLOv8 作为 ultralytics 公司开源的 YOLOv5 的下一个重大更新版本，支持图像分类、物体检测和实例分割等CV任务。
创新可以简单概括为: 一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，实现了精度与速度的平衡。
核心特性和改动可以归结为如下：
1.
提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。
2.
骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，从Backbone部分开始将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，引入了多种注意力机制如ECA和GAM，以及卷积层优化技术如可变形卷积和动态卷积，并采用SPPF模块提升特征提取能力，Neck部分使用PAN-FPN结构进行多尺度特征融合，增强了特征提取能力和对不同形状目标的适应性。（不过这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好了）
3.
Head 部分相比 YOLOv5 改动较大，引入了Decoupled-Head（解耦头）的设计，将分类和检测头分离，通过分别处理分类和回归任务，提高了模型的性能和精度，这种设计使得分类和回归可以分别优化，从而提高了检测的准确性。同时，Anchor-Based （基于锚点）到Anchor-Free（无锚点）的替换，减少了锚框的超参数设置，通过直接预测目标的边界框来简化模型的设计和训练过程。