YOLOv8

YOLOv 8 是一个 anchor-free 模型，并通过 TAA 标签分配和 DFL 损失提升模型效果

什么是 YOLOv8 ？

• 
• 在 YOLOv 7 的基础上提出 anchor-free 目标检测模型，并通过 TAA 标签分配和 DFL 损失提升模型效果

YOLOv8 的网络结构？

• 
• BackBone&Neck： YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数
• Head： Head 部分较 yolov5 而言有两大改进：1）换成了目前主流的解耦头结构 (Decoupled-Head)，将分类和检测头分离 2）同时也从 Anchor-Based 换成了 Anchor-Free

YOLOv8 的正样本匹配策略？

• 使用 Task-Aligned Assigner，其简单总结为： 根据分类与回归的分数加权的分数选择正样本

YOLOv8 的损失函数？

• Loss 计算包括 2 个分支： 分类和回归分支，没有了之前的 objectness 分支。
• 分类分支依然采用 BCE Loss
• 回归分支需要和 Distribution Focal Loss 中提出的积分形式表示法绑定，因此使用了 Distribution Focal Loss，同时还使用了 CIoU Loss。3 个 Loss 采用一定权重比例加权即可

  class DFL(nn.Module):
  # Integral module of Distribution Focal Loss (DFL) proposed in Generalized Focal Loss 
  def __init__(self, c1=16):
   super().__init__()
   self.conv = nn.Conv2d(c1, 1, 1, bias=False).requires_grad_(False)
   x = torch.arange(c1, dtype=torch.float)
   self.conv.weight.data[:] = nn.Parameter(x.view(1, c1, 1, 1))
   self.c1 = c1
  
  def forward(self, x):
   b, c, a = x.shape  # batch, channels, anchors
   return 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)

YOLOv 8 的训练？

• 
• 参考 YOLOX，训练最后 10 次，关闭 Mosiac

参考：

1. YOLOv8 详解 【网络结构 + 代码 + 实操】-CSDN 博客