yolov8s网络模型结构图(yolov3网络结构详解)

yolov8s网络模型结构图 yolov8！！！！yolov8！！！！yolov8！！！！yolov8！！！！

推荐整理分享yolov8s网络模型结构图(yolov3网络结构详解)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:yolov5网络结构详解,yolov5s网络结构,yolo网络模型详解,yolov3网络模型,yolo网络模型详解,yolov5网络模型,yolov5网络模型,yolov3网络模型,内容如对您有帮助，希望把文章链接给更多的朋友！

yolov8真的来了！！！U神出品的yolov8，虽然还没正式公布，但是已经放出代码了。。代码有着很强烈的yolov5风格。

github代码：

https://github.com/ultralytics/assets/commits/v0.0.0

先看看yolov8seg、det的炼丹。。。。。。。。。 

yolov8s已经达到了0.6ms了。。。

再看看map：：都快卷秃噜皮了。。。。。。。。

具体效果图大家自己看吧，下面是链接：

https://wandb.ai/glenn-jocher/YOLOv8?workspace=user-https://test.pypi.org/simple/ultralytics/

先看看ONNX图：这个是带NMS的

网络结构图：

这边可能得要着重说一下这个C2F结构了,大家先看下代码：

class C2f(nn.Module): # CSP Bottleneck with 2 convolutions def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion super().__init__() self.c = int(c2 * e) # hidden channels self.cv1 = Conv(c1, 2 * self.c, 1, 1) self.cv2 = Conv((2 + n) * self.c, c2, 1) # optional act=FReLU(c2) self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n)) def forward(self, x): y = list(self.cv1(x).split((self.c, self.c), 1)) y.extend(m(y[-1]) for m in self.m) print(len(y)) return self.cv2(torch.cat(y, 1))

1、先进行self.cv1卷积

2、对cv1卷积之后进行split(此时被分为上下两部分)

3、extend用于一次性追加另一个序列的多个值（这时候y里面 已经有两个值了，假设n=1，那么m里面只有一个bottleneck，进行extend之后y里面有三个值）

4、进行cat

5、进行self.cv2

所以第一步的splite之后的两个值都是参与后面的concat的。所以有些画的结构图可能就不太对了。。。。。。。。大家还可以去看下ONNX：

先看下splite有两个outputs:137,138

 再看下concat:有三个输入(137,138,145)

对比一下yolov5:

1、yolov8是无锚框了

2、增加了C2F结构

3、使用了Task-Aligned Assigner匹配方式。

4、Decoupled-Head解耦头

不清楚yolov8的anchor free对小目标怎么样，但是我之前训练yolox的对我自己的小目标效果很差。如果v8也是一样的话，个人感觉也就是刷sota，没意义了，工业上大多都是小目标，大的目标别说v8，特么的v3也能检测出来。。。个人觉的还是v5 yyds！！！

。。。。。。。。。。。。。。。。

说实话真卷呀！！！！！！！！！！真的快卷不动了！！！学的速度还跟不上别人更新的速度，咋玩呀！！！！！！！！！！！！