前言
yolov7,yoloX相干论文还没细看,yolov8就出来了。太卷了！
YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个巨大更新版本。
GitHub地址 : github.com/ultralytics/ultralytics
YOLOv8是在YOLOv5上的一次更新，故本篇文章主要对比两者区别：
YOLOv5架构:
架构特点：
1.Backbone
CSP的头脑(/梯度分流)的主要头脑， 此中多为CBS和C3模块。
2.PAN/FPN
双流的FPN，此中多为CBS和C3模块。
3.Head
coupled head + Anchor-base(coupled head这一词是在YoloX提出decoupled head 与之对应，后续会讲解coupled head 和decoupled head的区别)。
4.正负样天职配计谋
静态分配计谋。
5.Loss
分类用BCE Loss，回归用CIOU Loss。另有一个存在物体的置信度丧失(BCE Loss)。
其他增补：Yolov5中SPP和SPPF的区别。
作用/功能: 经过1×1,5×5,9×9,13×13的池化生成的特征图都是13×13的，保持原巨细稳定。这里作用是融合局部和团体特征。
区别: SPPF可以淘汰盘算量,原来要3个MaxPool2d，现在只要1个MaxPool2d，有点像快速幂求解的算法思绪。
详细看：https://zhuanlan.zhihu.com/p/584153158
YOLOv8架构：
架构特点：
1.Backbone
雷同：CSP的头脑(/梯度分流);而且使用SPPF模块。
差异：将C3模块更换为C2f模块。
2.PAN-FPN
双流的FPN，（此中多为CBS和C3模块）。
雷同：PAN的头脑。
差异：删除了YOLOv5中PAN-FPN上采样的CBS 1*1,将C3模块更换为C2f模块。
3.Head
Decoupled head + Anchor-free
4.正负样天职配计谋
接纳了TAL(Task Alignment Learning)动态匹配。
5. Loss
雷同：分类丧失依然接纳 BCE Loss
差异：(1).舍去物体的置信度丧失；(2).回归分支loss: CIOU loss+ DFL
DFL的形貌详见: https://zhuanlan.zhihu.com/p/147691786
两者推理过程区别
YOLOv8 的推理过程和 YOLOv5 险些一样，唯一差异在于前面必要对 Distribution Focal Loss 中的积分表示 bbox 情势举行解码，变成通例的 4 维度 bbox，后续盘算过程就和 YOLOv5 一样了。
coupled head 和 decoupled head 有什么差异？
参考: https://www.cnblogs.com/chentiao/p/16420907.html
区别:
当使用coupled head时，网络直接输出shape (1,85,80,80);
如果使用 decoupled head，网络会分成回归分支和分类分支，最后再汇总在一起，得到shape同样为 (1,85,80,80)。
为什么用decoupled head？
如果使用coupled head，输出channel将分类使命和回归使命放在一起，这2个使命存在辩论性。（论文中说有辩论性，但是没有明白为什么存在辩论，我考虑的是从丧失函数角度存在辩论）
通过实验发现更换为Decoupled Head后，不但是模子精度上会提高，同时 网络的收敛速度也加快了，使用Decoupled Head的表达本领更好。
Couple Head和 Decoupled Head 的对比曲线如下：
来源：https://blog.csdn.net/qq_44799766/article/details/129276549
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ |
