YOLOv8: 多任务统一新时代

代码: github.com/ultralytics/ultralytics
作者: Ultralytics (2023年1月)
特点: ❌ 无正式论文，但标志着 Anchor-Free + 多任务统一 时代

历史性转变

	YOLOv5	YOLOv8
锚框	Anchor-Based	Anchor-Free
Head	耦合 Head	解耦 Head
任务	仅检测	检测 + 分割 + 分类 + 姿态
C3 模块	C3 (CSP Bottleneck)	C2f (Fast CSP)

网络架构

整体结构

输入 640×640×3
      ↓
┌─────────────────────────────┐
│  Backbone: CSPDarknet + C2f  │
│  P1→P2→P3→P4→P5 (5阶段)     │
│  SPPF (快速金字塔池化)        │
└──────────┬──────────────────┘
           ↓
┌─────────────────────────────┐
│  Neck: C2f + 上采样 + Concat │
│  FPN: P5→P4→P3 (自上而下)    │
│  PAN: P3→P4→P5 (自下而上)    │
└──────────┬──────────────────┘
           ↓
┌─────────────────────────────┐
│  Head: Decoupled Anchor-Free │
│  分类分支 (BCE Loss)          │
│  回归分支 (CIoU + DFL Loss)   │
└─────────────────────────────┘

C2f vs C3

C3 (v5):    Conv → Bottleneck×N → Conv + 直通 → Concat → Conv

C2f (v8):   Conv → [split] → Bottleneck×N → 全部Concat → Conv
                             └── 每个Bottleneck的输出都保留!

优势: C2f 保留了更多中间梯度信息，特征更丰富。

Anchor-Free Head

传统 Anchor-Based Head:
  → 预测 tx, ty, tw, th (相对于锚框的偏移)

YOLOv8 Anchor-Free Head:
  → 直接预测 bbox 左上角和右下角的偏移
  → 每个位置预测：「这个点是否是目标中心」+「框的边界」

好处:

不需要预设锚框尺寸（自动适配任意长宽比）
减少超参数
NMS 更简单高效

多任务统一

YOLOv8 的核心架构同一 Backbone+Neck，仅切换 Head：

              ┌──→ Detect Head   → 目标检测
Backbone +   ─┼──→ Segment Head → 实例分割
Neck          ┼──→ Pose Head    → 姿态估计
              └──→ Classify Head → 图像分类

任务	模型命名	示例
检测	yolov8n.pt	`model = YOLO("yolov8n.pt")`
分割	yolov8n-seg.pt	`model = YOLO("yolov8n-seg.pt")`
分类	yolov8n-cls.pt	`model = YOLO("yolov8n-cls.pt")`
姿态	yolov8n-pose.pt	`model = YOLO("yolov8n-pose.pt")`

DFL Loss（Distribution Focal Loss）

YOLOv8 在回归分支引入 DFL，将边界框位置建模为离散概率分布而非单一数值。

思想: 边界框的每条边不是精确的一个值，而是一个概率分布。

$$\text{DFL}(S_i, S_{i+1}) = -((y_{i+1}-y)\log(S_i) + (y-y_i)\log(S_{i+1}))$$

总回归损失:
$$\mathcal{L}{reg} = \mathcal{L}{CIoU} + \lambda \cdot \mathcal{L}_{DFL}$$

模型变体

变体	参数量	mAP (COCO)	适用
yolov8n	3.2M	37.3%	Nano,移动端
yolov8s	11.2M	44.9%	Small
yolov8m	25.9M	50.2%	Medium,通用
yolov8l	43.7M	52.9%	Large
yolov8x	68.2M	53.9%	X-Large,极致

实战: 2行代码跑推理

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")

# 推理
results = model("image.jpg", save=True, conf=0.5)

实战: 训练自己的数据集

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # 加载预训练权重
model.train(data="data.yaml", epochs=100, imgsz=640)

📦 完整教程见 [[30.resources/yolo-master/docs/Hands_on_YoLo_with_ultralytics/0-dog-breed-detection/README|狗品种检测入门教程]]

YOLOv8 详解