- 主干网络（Backbone）：负责提取图像中的特征信息，通常采用轻量化的变体结构，如CSPDarknet的变体，以减少计算量。
- 特征融合层（Neck）：负责将主干网络提取的不同尺度的特征信息进行融合，以提高模型的检测精度。常见的结构有PANet（Path Aggregation Network）等。
- 检测头（Head）：负责根据融合后的特征信息进行目标检测和分类。YOLOv8n的检测头通常采用解耦头设计，即分离分类和回归分支，以提升检测精度。
- yaml文件
-
nc: 1 # number of classes scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n summary: 129 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPSs: [0.33, 0.50, 1024] # YOLOv8s summary: 129 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPSm: [0.67, 0.75, 768] # YOLOv8m summary: 169 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPSl: [1.00, 1.00, 512] # YOLOv8l summary: 209 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPSx: [1.00, 1.25, 512] # YOLOv8x summary: 209 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPS# YOLOv8.0n backbone backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
[-1, 1, Conv, [64, 3, 2]]
这个特定的配置定义了一个卷积层（
Conv），其参数如下： - from:
-1，表示这个卷积层的输入是前一个层的输出。 - repeats:
1，表示这个卷积层只被应用一次（在这个上下文中，repeats对于单个卷积层来说可能不是必需的，但在定义复合模块时很有用）。 - module:
Conv，表示这是一个卷积层。 - args:
[64, 3, 2]，这是一个包含三个元素的列表，分别指定了卷积层的输出通道数为64、卷积核大小为3x3、步长为2。 -
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f, [1024]] # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)
