【人工智能】YOLOv8文献阅读及源码复现

官方没有发布论文，故参考第三方论文，地址：https://arxiv.org/abs/2408.15857；官方文档：https://docs.ultralytics.com/zh/models/yolov8/。

动机

Ultralytics 推出 YOLOv8 的主要目标，是在准确性（精度）和推理速度之间实现更优平衡，使现实中对实时目标检测有高要求的应用（如监控、自动驾驶、边缘设备）能更好地部署。与早期 YOLO 版本相比，YOLOv8 通过架构精炼和模块优化，希望提供更现代、更高效、用途更广的模型，同时简化开发者使用预训练模型和微调模型的门槛。

创新点

架构设计：YOLOv8使用Backbone+Neck架构来提取和融合特征，以提高检测性能。
无锚点（anchor-free）检测头：YOLOv8采用无锚点、分离式（decoupled）的UltralyticsHead，相比传统锚框（anchor-based）方法，这种设计降低了复杂度并提升效率。
多任务支持：YOLOv8系列不仅包括目标检测（detect），还支持实例分割（seg）、姿态估计（pose）、定向检测（obb）、分类（cls）等任务，每一种变体都针对对应任务优化。
优化精准性-速度权衡：提供不同规模版本，用户可以根据场景选择更轻量或更高精度的模型。

与 YOLOv5 相比，YOLOv8 的 Neck 部分进行了以下优化：首个卷积层的卷积核尺寸从 6×6 调整为 3×3，所有 C3 模块替换为 C2f 结构，该结构增加了更多跳层连接和 Split 操作。

①移除Neck模块中的两个卷积连接层。
②Backbone中C2f模块的Block数量由3-6-9-3调整为3-6-6-3。
③观察N/S/M/L/X等尺寸模型发现，N/S与L/X仅调整缩放系数，而S/M/L骨干网络通道数设置存在差异，未采用统一缩放系数。这可能是由于统一缩放系数下的通道配置并非最优，YOLOv7设计时也未对所有模型使用同一套缩放系数。

Head部分进行了重大改进，由原来的耦合头转变为解耦头结构，同时从YOLOv5的Anchor-Based机制切换为Anchor-Free设计，其结构如左图所示。
新结构中不再包含objectness分支，仅保留解耦的分类与回归分支，其中回归分支采用Distribution Focal Loss中提出的积分形式表示法。

数据集

COCO （常用目标检测 benchmark）：YOLOv8 各版本在 COCO 上训练并报告 mAP。
Open Images V7：Ultralytics 提供了在 Open Images V7 上预训练模型 （有 600 类） 的支持。

实验结果

在COCO数据集（检测任务）上，YOLOv8n（最小版本）在val集合取得mAP₅₀–₉₅=37.3。
推理速度（A100TensorRT）：YOLOv8n在A100卡上达到0.99毫秒（ms）的推理时间。
参数量与计算量（FLOPs）：不同版本差别大，例如v8n只有~3.2M参数/8.7BFLOPs；v8x则有~68.2M参数/237.8BFLOPs。
在其他任务上的表现：
实例分割：YOLOv8n-segmAP_box=~36.7，mAP_mask=~30.5。
姿态估计：YOLOv8n-posemAP（50-95）≈50.4。
旋转框检测：YOLOv8n-obb在DOTAv1上mAP₅₀=78.0。
分类：YOLOv8n-cls在ImageNet上top-1accuracy=69.0%，top-5=88.3%。

改进空间

虽然无锚点Head简化了结构，但可能在某些密集或小物体上性能还可以优化。
另外学术可解释性因为没有正式的论文，对其架构设计细节（例如backbone具体结构）的公开分析较少，研究人员如果要深入理解或改进，必须自己阅读源码或社区逆向。

模型复现和分析

使用COCO128数据集复现

模型对比

与之前的YOLO系列相比，YOLOv8引入了无锚点Head与更先进Backbone+Neck结构，这些改进使其在速度-精度之间更有优势。
与后续版本（如YOLO11）对比，YOLO11在架构和效率上还有进一步优化。