数据库2008做企业网站,c网站开发源代码,进入官网登录页面,intitle 无线网站制作YOLOv8 是 Ultralytics 开发的 YOLO#xff08;You Only Look Once#xff09;物体检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型#xff0c;它建立在先前YOLO成功基础上#xff0c;并引入了新功能和改进#xff0c;以进一步提升性能和灵活性。它可…YOLOv8 是 Ultralytics 开发的 YOLOYou Only Look Once物体检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型它建立在先前YOLO成功基础上并引入了新功能和改进以进一步提升性能和灵活性。它可以在大型数据集上进行训练并且能够在各种硬件平台上运行从CPU到GPU。
YOLOv8还有一个关键特性是它的可扩展性由于其被设计成一个框架支持所有以前YOLO的版本使得在不同版本之间切换和比较它们的性能变得容易。
YOLOv8创新改进点
1.Backbone。使用的依旧是CSP的思想不过YOLOv5中的C3模块被替换成了C2f模块实现了进一步的轻量化同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块
2.PAN-FPN。毫无疑问YOLOv8依旧使用了PAN的思想不过通过对比YOLOv5与YOLOv8的结构图可以看到YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了同时也将C3模块替换为了C2f模块
3.Decoupled-Head。是不是嗅到了不一样的味道是的YOLOv8走向了Decoupled-Head
4.Anchor-Free。YOLOv8抛弃了以往的Anchor-Base使用了Anchor-Free的思想
5.损失函数。YOLOv8使用VFL Loss作为分类损失使用DFL LossCIOU Loss作为分类损失
6.样本匹配。YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式而是使用了Task-Aligned Assigner匹配方式。 1、C2f模块是什么与C3有什么区别
我们不着急先看一下C3模块的结构图然后再对比与C2f的具体的区别。针对C3模块其主要是借助CSPNet提取分流的思想同时结合残差结构的思想设计了所谓的C3 Block这里的CSP主分支梯度模块为BottleNeck模块也就是所谓的残差模块。同时堆叠的个数由参数n来进行控制也就是说不同规模的模型n的值是有变化的。 其实这里的梯度流主分支可以是任何之前你学习过的模块比如美团提出的YOLOv6中就是用来重参模块RepVGGBlock来替换BottleNeck Block来作为主要的梯度流分支而百度提出的PP-YOLOE则是使用了RepResNet-Block来替换BottleNeck Block来作为主要的梯度流分支。而YOLOv7则是使用了ELAN Block来替换BottleNeck Block来作为主要的梯度流分支。
损失函数
对于YOLOv8其分类损失为VFL Loss其回归损失为CIOU LossDFL的形式这里Reg_max默认为16。
VFL主要改进是提出了非对称的加权操作FL和QFL都是对称的。而非对称加权的思想来源于论文PISA该论文指出首先正负样本有不平衡问题即使在正样本中也存在不等权问题因为mAP的计算是主正样本。 q是label正样本时候q为bbox和gt的IoU负样本时候q0当为正样本时候其实没有采用FL而是普通的BCE只不过多了一个自适应IoU加权用于突出主样本。而为负样本时候就是标准的FL了。可以明显发现VFL比QFL更加简单主要特点是正负样本非对称加权、突出正样本为主样本。
针对这里的DFLDistribution Focal Loss其主要是将框的位置建模成一个 general distribution让网络快速的聚焦于和目标位置距离近的位置的分布。 DFL 能够让网络更快地聚焦于目标 y 附近的值增大它们的概率
DFL的含义是以交叉熵的形式去优化与标签y最接近的一左一右2个位置的概率从而让网络更快的聚焦到目标位置的邻近区域的分布也就是说学出来的分布理论上是在真实浮点坐标的附近并且以线性插值的模式得到距离左右整数坐标的权重。
样本的匹配
标签分配是目标检测非常重要的一环在YOLOv5的早期版本中使用了MaxIOU作为标签分配方法。然而在实践中发现直接使用边长比也可以达到一阿姨你的效果。而YOLOv8则是抛弃了Anchor-Base方法使用Anchor-Free方法找到了一个替代边长比例的匹配方法TaskAligned。
为与NMS搭配训练样例的Anchor分配需要满足以下两个规则
正常对齐的Anchor应当可以预测高分类得分同时具有精确定位
不对齐的Anchor应当具有低分类得分并在NMS阶段被抑制。基于上述两个目标TaskAligned设计了一个新的Anchor alignment metric 来在Anchor level 衡量Task-Alignment的水平。并且Alignment metric 被集成在了 sample 分配和 loss function里来动态的优化每个 Anchor 的预测。
