yolov8算法及其改进

1、yolov8简介

Ultralytics YOLOv8 是由 Ultralytics公司开发的一个前沿的 SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。YOLOv8 基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。

YOLOv8的改进总结如下：
模型层面：

• 提出了具有残差模块的层聚合网络（ELAN-Bottleneck，C2f）
• 更轻量化的Neck（PAN-C2f）
• Efficient Decoupled Head

2、标签分配与损失函数：

• TaskAlign匹配：同YOLOv6一样使用了TaskAlign正负样本匹配
• 使用交叉熵损失为分类损失，使用DFL Loss与CIOU损失结合作为回归损失

2、ELAN架构的升级

设计ELAN的主要目的是解决在进行模型缩放时深度模型的收敛性会逐渐恶化的问题。
ELAN作者分析了通过整个网络中每个层的最短梯度路径和最长梯度路径，从而设计了具有高效梯度传播路径的层聚合架构。
ELAN主要由VoVNet和CSPNet组成，并利用计算块中的堆栈结构优化了整个网络的梯度长度。

3、YOLOv8架构改进

2.1、ELAN模块

在YOLOv7-p5和p6架构中主要使用ELAN作为Backbone的主要模块。
ELAN 由 3 部分组成：
1、Cross Stage Partial
2、计算模块（也是主要承载最长梯度流的模块）
3、1×1卷积（Fusion First模块）
ELAN模块的设计受到之前两个研究的影响，即CSPNet和VoVNet。其实从 YOLOv4 就开始在YOLO系列算法中出现了Cross Stage Partial的思想。

2.2、C2f模块

对于YOLOv8的主要改进便是这个C2f模块了，其实对于ELAN的进一步改进，主要是把ELAN的计算模块中的卷积替换为了Bottleneck模块，同时还包括了一些其他的内容的改进。

2.3、Neck

在YOLOv7-E6E架构中提出了基于ELAN的扩展版本E-ELAN，其主要架构如右图所示。

2.4、Efficient-Decoupled-Head

在网络的训练中，标签分配通常是指GT，这个是硬标签，但近年来，需要研究者会利用网络的推理结果来结合GT，去生成一些软标签，如IOU。