YOLOv8: the eighth iteration of the revolutionary "You Only Look Once" object detection model

Glenn Jocher : YOLOv5、YOLOv8作者及Ultralytics公司的創始人。

• YOLOv8為Ultralytics在今年一月的時候出版的，很大部分修改自YOLOv5，且同YOLOv5一樣目前為止沒有出版paper。
  
• 從YOLOv8官方網站Docs說明中得到，YOLOv8主要為:
  • 採用最好的BackBone、Neck架構可以提升特徵提取以及物件偵測的表現。
  • 跟YOLOX一樣採用Anchor Free的架構。
  • 在準確度及預測速度之間要取得平衡。
  • 提供多樣化的預訓練模型用來處理各種任務，讓特定任務能夠更快的找到正確的模型。
• YOLOv8在參數量、運算速度與準確度的關係(跟YOLOv5、YOLOv6以及YOLOv7的比較):
  

架構圖

• YOLOv8架構跟YOLOv5很像，因此我是從我YOLOv5畫的圖為基礎進行修改，YOLOv8改動的地方我有用不同顏色標示:
  

  本架構圖為自行繪製，若有錯誤，歡迎指正。

• 原本YOLOv5的CBL架構激活函數採用Leakly ReLu，YOLOv8改成SiLu。
• 原本YOLOv5的CSP架構，YOLOv8可能參考YOLOv7提到的ELAN架構結合成CSP-ELAN架構。
• 紅色的那個CBL Block被移除了。
• 後面的Prediction Head架構，可能參考YOLOX提到的Anchor Free架構，將Bounding Box回歸跟Class預測分開計算。

損失函數

• YOLOv8沒有Objectness Loss。
• Class Loss:採用Binary Cross Entropy Loss。
• Bounding Box Loss:採用C-IoU以及Distribution Focal Loss(DFL)。

其他提升準確度的方法

• 訓練的最後10個Epoch會關閉Mosiac數據增強技術。
• 訓練的Epoch數量由300提升到500。

文章使用之圖片擷取自該篇論文

明日將提前進入到實作環節。

參考文獻

1. YOLOv8官方Docs網站
2. 網路上其他人畫的架構圖
3. YOLOv8架構解說-參考網站1
4. YOLOv8架構解說-參考網站2
5. YOLOv8架構解說-參考網站3
6. YOLOv8架構解說-參考網站4