模型架构

代码

起初在看yolov8的官方代码时我一头雾水，后来出于想要修改yolov8模型的目的，来摸索yolov8模型架构定义过程。

模型构成

结合框架图可以看到，yolov8的模型由Backbone，Head组成，也有文章将Head除Detect的部分视为Neck。按照目标检测模型的逻辑，Backbone负责从图像中提取特征，Neck负责多尺度融合，提供跨尺度信息，Head负责最终的检测，预测类别、框和置信度（判断框内是否有物体）。

模型架构可以结合代码（yolov8\ultralytics\models\v8\yolov8n.yaml）参考：
[from, repeats, module, args]：f是指输入数据来源索引，r是指block重复次数，module是模块名，args是所需参数，例如[512, 3, 2]，True则指是否残差连接等。
P：不同尺度的特征图，P1是第一次下采样（卷积）后的的特征图，其分辨率为输入图像的1/2，P1这些都是在backbone中提取的特征图，是捕捉的不同大小的目标。

# Ultralytics YOLO 🚀, GPL-3.0 license# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # scales module repeats
width_multiple: 0.25  # scales convolution channels# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2- [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]]  # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 6], 1, Concat, [1]]  # cat backbone P4- [-1, 3, C2f, [512]]  # 12- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 4], 1, Concat, [1]]  # cat backbone P3- [-1, 3, C2f, [256]]  # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]  # cat head P4- [-1, 3, C2f, [512]]  # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]  # cat head P5- [-1, 3, C2f, [1024]]  # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

修改架构

（1）搭建模块

yolov8在yolov8\ultralytics\nn\modules.py中定义很多组件，如Conv，C2f，ChannelAttention等。

（2）添加模块

上一步提到，YOLOv8的模型架构在配置文件yaml中定义过，所以现在要在yaml文件中修改架构；然后在Model中解析配置文件，yolov8\ultralytics\nn\tasks.py的DetectionModel通过调用parse_model方法解析，我们要在这里进行修改：

elif m is nn.BatchNorm2d:args = [ch[f]]elif m is Concat:c2 = sum(ch[x] for x in f)elif m in (Detect, Segment):args.append([ch[x] for x in f])if m is Segment:args[2] = make_divisible(args[2] * gw, 8)else:c2 = ch[f]

（3）运行代码

在项目文件夹中进入cmd（记得新建虚拟环境yolov8_env）

下载安装包：

pip install ultralytics
pip install -r requirements

运行测试：

yolo predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"