视频类网站备案,网站模板设计教程,北京专业做网站电话,wordpress外部调用后台YOLOv8模型网络结构图理解 1 YOLOv8的yaml配置文件2 YOLOv8网络结构2.1 Conv2.2 C3与C2f2.3 SPPF2.4 Upsample2.5 Detect层 1 YOLOv8的yaml配置文件
YOLOv8的配置文件定义了模型的关键参数和结构#xff0c;包括类别数、模型尺寸、骨干#xff08;backbone#xff09;和头部… YOLOv8模型网络结构图理解 1 YOLOv8的yaml配置文件2 YOLOv8网络结构2.1 Conv2.2 C3与C2f2.3 SPPF2.4 Upsample2.5 Detect层 1 YOLOv8的yaml配置文件
YOLOv8的配置文件定义了模型的关键参数和结构包括类别数、模型尺寸、骨干backbone和头部head结构。这些配置决定了模型的性能和复杂性。
下面是YOLOv8的配置文件和参数的解释
# Ultralytics YOLO , AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # 类别数目nc代表number of classes即模型用于检测的对象类别总数。 80表示该模型配置用于检测80种不同的对象。由于默认使用COCO数据集这里nc80
scales: # 模型复合缩放常数用于定义模型的不同尺寸和复杂度。例如 modelyolov8n.yaml 将调用带有 n 缩放的 yolov8.yaml# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n概览225层, 3157200参数, 3157184梯度, 8.9 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s概览225层, 11166560参数, 11166544梯度, 28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m概览295层, 25902640参数, 25902624梯度, 79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l概览365层, 43691520参数, 43691504梯度, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x概览365层, 68229648参数, 68229632梯度, 258.5 GFLOPs# YOLOv8.0n backbone 骨干层
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 第0层-1代表将上层的输出作为本层的输入。第0层的输入是640*640*3的图像。Conv代表卷积层相应的参数64代表输出通道数3代表卷积核大小k2代表stride步长。卷积后输出的特征图尺寸为320*320*64长宽为初始图片的1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 第1层本层和上一层是一样的操作128代表输出通道数3代表卷积核大小k2代表stride步长。卷积后输出的特征图尺寸为160*160*128长宽为初始图片的1/4- [-1, 3, C2f, [128, True]] # 第2层本层是C2f模块3代表本层重复3次。128代表输出通道数True表示Bottleneck有shortcut。输出的特征图尺寸为160*160*128。- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 第3层进行卷积操作256代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为80*80*256卷积的参数都没变所以都是长宽变成原来的1/2和之前一样特征图的长宽已经变成输入图像的1/8。- [-1, 6, C2f, [256, True]] # 第4层本层是C2f模块可以参考第2层的讲解。6代表本层重复6次。256代表输出通道数True表示Bottleneck有shortcut。经过这层之后特征图尺寸依旧是80*80*256。- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 第5层进行卷积操作512代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为40*40*512卷积的参数都没变所以都是长宽变成原来的1/2和之前一样特征图的长宽已经变成输入图像的1/16。- [-1, 6, C2f, [512, True]] # 第6层本层是C2f模块可以参考第2层的讲解。6代表本层重复6次。512代表输出通道数True表示Bottleneck有shortcut。经过这层之后特征图尺寸依旧是40*40*512。- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 第7层进行卷积操作1024代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为20*20*1024卷积的参数都没变所以都是长宽变成原来的1/2和之前一样特征图的长宽已经变成输入图像的1/32。- [-1, 3, C2f, [1024, True]] #第8层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数True表示Bottleneck有shortcut。经过这层之后特征图尺寸依旧是20*20*1024。- [-1, 1, SPPF, [1024, 5]] # 9 第9层本层是快速空间金字塔池化层SPPF。1024代表输出通道数5代表池化核大小k。结合模块结构图和代码可以看出最后concat得到的特征图尺寸是20*20*512*4经过一次Conv得到20*20*1024。# YOLOv8.0n head 头部层
head:- [-1, 1, nn.Upsample, [None, 2, nearest]] # 第10层本层是上采样层。-1代表将上层的输出作为本层的输入。None代表上采样的sizeNone输出尺寸不指定。2代表scale_factor2表示输出的尺寸是输入尺寸的2倍。modenearest代表使用的上采样算法为最近邻插值算法。经过这层之后特征图的长和宽变成原来的两倍通道数不变所以最终尺寸为40*40*1024。- [[-1, 6], 1, Concat, [1]] # cat backbone P4 第11层本层是concat层[-1, 6]代表将上层和第6层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是40*40*1024第6层的输出是40*40*512最终本层的输出尺寸为40*40*1536。- [-1, 3, C2f, [512]] # 12 第12层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。与Backbone中C2f不同的是此处的C2f的bottleneck模块的shortcutFalse。- [-1, 1, nn.Upsample, [None, 2, nearest]] # 第13层本层也是上采样层参考第10层。经过这层之后特征图的长和宽变成原来的两倍通道数不变所以最终尺寸为80*80*512。- [[-1, 4], 1, Concat, [1]] # cat backbone P3 第14层本层是concat层[-1, 4]代表将上层和第4层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是80*80*512第6层的输出是80*80*256最终本层的输出尺寸为80*80*768。- [-1, 3, C2f, [256]] # 15 (P3/8-small) 第15层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。256代表输出通道数。经过这层之后特征图尺寸变为80*80*256特征图的长宽已经变成输入图像的1/8。- [-1, 1, Conv, [256, 3, 2]] # 第16层进行卷积操作256代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为40*40*256卷积的参数都没变所以都是长宽变成原来的1/2和之前一样。- [[-1, 12], 1, Concat, [1]] # cat head P4 第17层本层是concat层[-1, 12]代表将上层和第12层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是40*40*256第12层的输出是40*40*512最终本层的输出尺寸为40*40*768。- [-1, 3, C2f, [512]] # 18 (P4/16-medium) 第18层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。经过这层之后特征图尺寸变为40*40*512特征图的长宽已经变成输入图像的1/16。- [-1, 1, Conv, [512, 3, 2]] # 第19层进行卷积操作512代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为20*20*512卷积的参数都没变所以都是长宽变成原来的1/2和之前一样。- [[-1, 9], 1, Concat, [1]] # cat head P5 第20层本层是concat层[-1, 9]代表将上层和第9层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是20*20*512第9层的输出是20*20*1024最终本层的输出尺寸为20*20*1536。- [-1, 3, C2f, [1024]] # 21 (P5/32-large) 第21层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数。经过这层之后特征图尺寸变为20*20*1024特征图的长宽已经变成输入图像的1/32。- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5) 第20层本层是Detect层[15, 18, 21]代表将第15、18、21层的输出分别是80*80*256、40*40*512、20*20*1024作为本层的输入。nc是数据集的类别数。
1. nc
含义 nc代表number of classes即模型用于检测的对象类别总数。
示例中的值 80表示该模型配置用于检测80种不同的对象。由于默认使用COCO数据集这里nc802. scales
含义 scales用于定义模型的不同尺寸和复杂度它包含一系列缩放参数。
子参数 n, s, m, l, x表示不同的模型尺寸每个尺寸都有对应的depth深度、width宽度和max_channels最大通道数。
depth 表示深度因子用来控制一些特定模块的数量的模块数量多网络深度就深
width 表示宽度因子用来控制整个网络结构的通道数量通道数量越多网络就看上去更胖更宽
max_channels 最大通道数为了动态地调整网络的复杂性。在 YOLO 的早期版本中网络中的每个层都是固定的这意味着每个层的通道数也是固定的。但在 YOLOv8 中为了增加网络的灵活性并使其能够更好地适应不同的任务和数据集引入了 max_channels 参数。3. backbone
主干网络是模型的基础负责从输入图像中提取特征。这些特征是后续网络层进行目标检测的基础。在YOLOv8中主干网络采用了类似于CSPDarknet的结构。
含义 backbone部分定义了模型的基础架构即用于特征提取的网络结构。
关键组成
[from, repeats, module, args]表示层的来源、重复次数、模块类型和参数。
from表示该模块的输入来源如果为-1则表示来自于上一个模块的输出如果为其他具体的值则表示从特定的模块中得到输入信息
repeats: 这个参数用于指定一个模块或层应该重复的次数。例如如果想让某个卷积层重复三次你可以使用 repeats3。
module: 这个参数用于指定要添加的模块或层的类型。例如如果想添加一个卷积层可以使用 conv 作为模块类型。
args: 这个参数用于传递给模块或层的特定参数。例如如果想指定卷积层的滤波器数量可以使用 args[filters]。
Conv表示卷积层其参数指定了输出通道数、卷积核大小和步长。
C2f可能是一个特定于YOLOv8的自定义模块。
SPPF是空间金字塔池化层用于在多个尺度上聚合特征。4. head
含义 head部分定义了模型的检测头即用于最终目标检测的网络结构。
关键组成
nn.Upsample表示上采样层增加特征图的空间分辨率用于放大特征图。
Concat表示连接层特征图拼接用于合并来自不同层的特征。
C2f层再次出现可能用于进一步处理合并后的特征。
Detect层是最终的检测层负责输出检测结果。2 YOLOv8网络结构 Backbone主干网络是模型的基础负责从输入图像中提取特征。这些特征是后续网络层进行目标检测的基础。 在YOLOv8中主干网络采用了类似于CSPDarknet的结构。
Head头部网络是目标检测模型的决策部分负责产生最终的检测结果。
Neck颈部网络位于主干网络和头部网络之间它的作用是进行特征融合和增强。
其他细节
ConvModule包含卷积层、BN批量归一化和激活函数如SiLU用于提取特征。DarknetBottleneck通过residual connections增加网络深度同时保持效率。CSP LayerCSP结构的变体通过部分连接来提高模型的训练效率
输出的特征图大小计算公式f_out ((f_in - k 2*p ) / s ) 向下取整 1
Bbox Loss边界框回归损失用于计算预测边界框与真实边界框之间的差异。均方误差MSE是一个常用的损失函数它在较大误差时赋予更高的惩罚这有助于模型快速修正大的预测错误。因此Bbox Loss计算预测与实际坐标之间的差异的平方和其计算公式如下 L o s s b b o x ∑ i 1 N ( x i − x ^ i ) 2 Loss_{bbox}\sum_{i1}^N{(x_i-\hat{x}_i)^2} Lossbboxi1∑N(xi−x^i)2 其中 x i {x}_i xi表示真实边界框的坐标 x ^ i \hat{x}_i x^i表示预测边界框的坐标。该损失函数作为优化目标引导模型在训练过程中减少预测框和真实框之间的差距。
Cls Loss分类损失用于衡量模型预测的类别分布与真实标签之间的差异。交叉熵损失函数是分类任务中常用的一种损失函数对于错误预测给出了很大的惩罚尤其是在预测的概率和实际标签相差很大时。因此Cls Loss帮助模型在分类问题中优化其预测使预测概率分布尽可能接近真实的标签分布其计算公式为 L o s s c l s − ∑ c 1 M y o , c l o g ( p o , c ) Loss_{cls}-\sum_{c1}^My_{o,c}log(p_o,c) Losscls−c1∑Myo,clog(po,c) 其中 y o , c y_{o,c} yo,c是一个指示器。如果样本o属于类别c则为1反之为0。 p o p_o po是模型预测样本o属于类别c的概率。
2.1 Conv def autopad(k, pNone, d1): # kernel, padding, dilation# Pad to same shape outputsif d 1:k d * (k - 1) 1 if isinstance(k, int) else [d * (x - 1) 1 for x in k] # actual kernel-sizeif p is None:p k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-padreturn pclass Conv(nn.Module):# Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)default_act nn.SiLU() # default activationdef __init__(self, c1, c2, k1, s1, pNone, g1, d1, actTrue):super().__init__()self.conv nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groupsg, dilationd, biasFalse)self.bn nn.BatchNorm2d(c2)self.act self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()def forward(self, x):return self.act(self.bn(self.conv(x)))def forward_fuse(self, x):return self.act(self.conv(x))
2.2 C3与C2f # 整个过程就是cv1接上了n个bottleneck模块再与cv2进行concat操作最后在进行一次cv3的Conv。所以经过了C3模块输出特征图尺寸是h*w*cout
class C3(nn.Module):# CSP Bottleneck with 3 convolutionsdef __init__(self, c1, c2, n1, shortcutTrue, g1, e0.5): # ch_in, ch_out, number, shortcut, groups, expansionsuper().__init__()c_ int(c2 * e) # hidden channelsself.cv1 Conv(c1, c_, 1, 1) #上图最左边的CBS模块self.cv2 Conv(c1, c_, 1, 1) #上图中间的CBS模块self.cv3 Conv(2 * c_, c2, 1) # optional actFReLU(c2) 上图最右边的CBS模块self.m nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, k((1, 1), (3, 3)), e1.0) for _ in range(n))) # 接上了n个Bottleneck模块def forward(self, x):return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))
对比C3模块和C2f模块可以看到C2f获得了更多的梯度流信息参考了YOLOv7的ELAN模块的思想 class C2f(nn.Module):# CSP Bottleneck with 2 convolutionsdef __init__(self, c1, c2, n1, shortcutFalse, g1, e0.5): # ch_in, ch_out, number, shortcut, groups, expansionsuper().__init__()self.c int(c2 * e) # hidden channelsself.cv1 Conv(c1, 2 * self.c, 1, 1) # 最左边的CBS模块self.cv2 Conv((2 n) * self.c, c2, 1) # optional actFReLU(c2) 最右边的CBS模块self.m nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k((3, 3), (3, 3)), e1.0) for _ in range(n)) # 接上了n个Bottleneck模块def forward(self, x):# tensor.chunk(chunk数维度)y list(self.cv1(x).chunk(2, 1)) #先将输入特征图cv1卷积然后chunk分2块y.extend(m(y[-1]) for m in self.m) #表示被切分的最后一块即第二块把第二块放进n个连续的Bottleneck里加到y列表的尾部y就变成了2n块return self.cv2(torch.cat(y, 1)) #将y按第一维度拼接在一起然后进行cv2卷积操作。def forward_split(self, x):y list(self.cv1(x).split((self.c, self.c), 1))y.extend(m(y[-1]) for m in self.m)return self.cv2(torch.cat(y, 1))class Bottleneck(nn.Module):# Standard bottleneckdef __init__(self, c1, c2, shortcutTrue, g1, k(3, 3), e0.5): # ch_in, ch_out, shortcut, groups, kernels, expandsuper().__init__()c_ int(c2 * e) # hidden channelsself.cv1 Conv(c1, c_, k[0], 1)self.cv2 Conv(c_, c2, k[1], 1, gg)self.add shortcut and c1 c2def forward(self, x):return x self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
2.3 SPPF
class SPPF(nn.Module):# Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocherdef __init__(self, c1, c2, k5): # equivalent to SPP(k(5, 9, 13))super().__init__()c_ c1 // 2 # hidden channelsself.cv1 Conv(c1, c_, 1, 1)self.cv2 Conv(c_ * 4, c2, 1, 1)self.m nn.MaxPool2d(kernel_sizek, stride1, paddingk // 2)def forward(self, x):x self.cv1(x)y1 self.m(x)y2 self.m(y1)return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))2.4 Upsample
torch.nn.Upsample(sizeNone, scale_factorNone, modenearest, align_cornersNone)2.5 Detect层
class Detect(nn.Module):# YOLOv8 Detect head for detection modelsdynamic False # force grid reconstructionexport False # export modeshape Noneanchors torch.empty(0) # initstrides torch.empty(0) # initdef __init__(self, nc80, ch()): # detection layersuper().__init__()self.nc nc # number of classesself.nl len(ch) # number of detection layersself.reg_max 16 # DFL channels (ch[0] // 16 to scale 4/8/12/16/20 for n/s/m/l/x)self.no nc self.reg_max * 4 # number of outputs per anchorself.stride torch.zeros(self.nl) # strides computed during buildc2, c3 max((16, ch[0] // 4, self.reg_max * 4)), max(ch[0], self.nc) # channelsself.cv2 nn.ModuleList(nn.Sequential(Conv(x, c2, 3), Conv(c2, c2, 3), nn.Conv2d(c2, 4 * self.reg_max, 1)) for x in ch)self.cv3 nn.ModuleList(nn.Sequential(Conv(x, c3, 3), Conv(c3, c3, 3), nn.Conv2d(c3, self.nc, 1)) for x in ch)self.dfl DFL(self.reg_max) if self.reg_max 1 else nn.Identity()def forward(self, x):shape x[0].shape # BCHWfor i in range(self.nl):x[i] torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)if self.training:return xelif self.dynamic or self.shape ! shape:self.anchors, self.strides (x.transpose(0, 1) for x in make_anchors(x, self.stride, 0.5))self.shape shapeif self.export and self.format edgetpu: # FlexSplitV ops issuex_cat torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2)box x_cat[:, :self.reg_max * 4]cls x_cat[:, self.reg_max * 4:]else:box, cls torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2).split((self.reg_max * 4, self.nc), 1)dbox dist2bbox(self.dfl(box), self.anchors.unsqueeze(0), xywhTrue, dim1) * self.stridesy torch.cat((dbox, cls.sigmoid()), 1)return y if self.export else (y, x)def bias_init(self):# Initialize Detect() biases, WARNING: requires stride availabilitym self # self.model[-1] # Detect() module# cf torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlengthnc) 1# ncf math.log(0.6 / (m.nc - 0.999999)) if cf is None else torch.log(cf / cf.sum()) # nominal class frequencyfor a, b, s in zip(m.cv2, m.cv3, m.stride): # froma[-1].bias.data[:] 1.0 # boxb[-1].bias.data[:m.nc] math.log(5 / m.nc / (640 / s) ** 2) # cls (.01 objects, 80 classes, 640 img)class DFL(nn.Module):# Integral module of Distribution Focal Loss (DFL) proposed in Generalized Focal Loss https://ieeexplore.ieee.org/document/9792391def __init__(self, c116):super().__init__()self.conv nn.Conv2d(c1, 1, 1, biasFalse).requires_grad_(False)x torch.arange(c1, dtypetorch.float)self.conv.weight.data[:] nn.Parameter(x.view(1, c1, 1, 1))self.c1 c1def forward(self, x):b, c, a x.shape # batch, channels, anchorsreturn self.conv(x.view(b, 4, self.c1, a).transpose(2, 1).softmax(1)).view(b, 4, a)# return self.conv(x.view(b, self.c1, 4, a).softmax(1)).view(b, 4, a)
