（10）YOLOv8算法基本原理

YOLOv8由开发 YOLOv5 的公司 Ultralytics 发布。它在 YOLOv5 的基础上进行了改进，旨在进一步提高目标检测的性能和效率。

一、YOLO v8的创新点

1、YOLOv8 的骨干网络和特征整合（Neck）部分借鉴了 YOLOv7 中的 ELAN设计理念，摒弃了 YOLOv5 原有的 C3 模块，创新性地采用了 C2f 结构。这个C2f模块增强了跳层连接（Skip Connections）的运用，并对分支内部分卷积操作进行了简化或去除。

YOLOv5的C3 模块 VS YOLOv8的C2f：

2、YOLOv8 相较于 YOLOv5 做出了重大革新，采用当下流行的解耦合头部结构，将分类任务和边界框检测任务独立开来，并且放弃了传统的基于锚点（Anchor-Based）的方法，转向更为先进的无锚点（Anchor-Free）机制。

YOLOv5解耦头：

YOLOv8解耦头：

3、YOLOv8抛弃了以往的IoU分配或者单边比例的分配方式，采用了TaskAlignedAssigner策略来分配正类样本，并引入了Distribution Focal Loss，以提高模型学习的精确性和鲁棒性。

4、在训练过程中的数据增强环节，YOLOv8 采纳了 YOLOX 中的技巧，即在最后 10 个训练 epoch 中禁用 Mosaic 增强，这一策略被证明有助于提升模型的最终检测精度。YOLOv8的推理过程与YOLOv5相似，但在前面需要对Distribution Focal Loss中的积分表示bbox形式进行解码。

5、YOLOv8对分类和回归任务分别采用了BEC Loss和CIoU Loss。BEC Loss是一种新型的分类损失函数，具有更好的收敛性和稳定性；而CIoU Loss则是一种针对边界框回归任务的损失函数，通过考虑多个因素使得模型在预测边界框时更加准确。

6、YOLOv8的开源库不仅仅能够用于YOLO系列模型，而且能够支持非YOLO模型以及分类分割姿态估计等各类任务，使得YOLOv8成为一个算法框架，而非某一个特定算法。

7、YOLOv8在模型架构中引入了新的激活函数，进一步提升了模型的性能。

二、表现

YOLOv8 是一个强大且灵活的目标检测和图像分割工具，它融合了两者的优势：取得比较所有以前 YOLO 版本更好的能力。

在COCO数据集上的5种尺寸的性能指标：

三、往期回顾

yolo入门教程：《吐血录制，yolo11猫狗实时检测实战项目，从零开始写yolov11代码》，视频全程25分钟。

（1）yolo11猫狗实时检测实战项目，从零开始写yolov11代码

（2）从零开始学yolo之yolov1的技术原理

（3）YOLOv1训练过程，新手入门

（4）YOLOv2和yolov1的差异

（5）YOLOv3和yolov1、yolov2之间的差异

（6）YOLOv4算法基本原理以及和YOLOv3 的差异

（7）YOLOv5算法基本原理大揭秘！

（8）YOLOv6算法基本原理

（13）10张结构图，深入理解YOLOv11算法各个模块

高清视频，3分钟揭秘神经网络技术原理

Transfermer的Q、K、V设计的底层逻辑