第Y8周：yolov8.yaml文件解读

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊
  本周任务是根据YOLOv8n、YOLOv8s模型的结构输出，手写出YOLOv8l的模型输出

一、参数配置

# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

Parameters:

• nc: 80 是类别数量，也就是模型可以识别的物体类别数。
• scales: 包含了不同模型配置的尺度参数，用于调整模型的规模，通过尺度参数就可以实现不同复杂度的模型设计。YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x 五种模型的区别仅在于 depth、width 与 max_channels 这三个参数的不同。

  • depth: 深度，控制子模块数量，= int(number*depth)

  • width: 宽度，控制卷积核的数量，= int(number*width)

  • max_channels: 最大通道数。
    

二、模型基本结构

1.backbone模块

# 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

这是YOLOv8的backbone，可以看到每一个模块算一行，每行都由四个参数构成。分别是：

• from：表示当前模块的输入来自那一层的输出；-1表示来自上一层的输出，层编号由0开始计数。
• repeats：表示当前模块的理论重复次数，实际的重复次数还要由上面的参数depth_multiple共同决定，该参数影响整体网络模型的深度。
• module：模块类名，通过这个类名在common.py中寻找相应的类，进行模块化的搭建网络。
• args：是一个list，模块构建所需参数，channel，kernel_size，stride，padding，bias等。

在YOLO（You Only Look Once）目标检测框架中，backbone模块扮演着至关重要的角色，其主要作用如下：

特征提取：Backbone是网络中用于提取图像特征的部分。它通常由一系列卷积层组成，这些层能够从输入图像中提取出层次化的特征表示。这些特征包含了图像中的关键信息，如边缘、纹理、形状和颜色等，对于后续的目标检测至关重要。

特征金字塔：在YOLO中，backbone通常与特征金字塔网络（Feature Pyramid Network, FPN）结合使用，以在不同尺度上检测目标。Backbone会生成不同分辨率的特征图，这些特征图在FPN中被进一步处理和融合，以便网络能够在不同的尺度上检测不同大小的对象。

降维和抽象：Backbone通过连续的卷积层逐步减少特征图的尺寸（即空间维度），同时增加特征图的深度（即通道数），从而实现对输入图像的降维和抽象。这种处理有助于减少计算量，同时保留图像的关键信息。

鲁棒性：Backbone的设计通常包含多种卷积层和池化层，这些层可以提高网络对图像变换（如缩放、旋转和平移）的鲁棒性，使得模型能够在不同的环境和条件下稳定地工作。

共享计算：在YOLO中，backbone对于输入图像只计算一次，生成的特征图被多个检测头（head）共享，这些检测头负责最终的边界框预测、类别预测和置信度预测。这种设计减少了重复计算，提高了检测效率。

可迁移性：许多YOLO版本的backbone都是基于在ImageNet数据集上预训练的模型，如Darknet、CSPDarknet、ResNet等。这些预训练的backbone可以迁移到YOLO中，使得模型在目标检测任务上能够快速收敛并获得较好的性能。

2.head模块

# 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)

3.模型结构输出

（1）yolov8n.yaml模型：

                   from  n    params  module                                       arguments
  0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]
  1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]
  2                  -1  1      7360  ultralytics.nn.modules.block.C2f             [32, 32, 1, True]
  3                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]
  4                  -1  2     49664  ultralytics.nn.modules.block.C2f             [64, 64, 2, True]
  5                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]
  6                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]
  7                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]
  8                  -1  1    460288  ultralytics.nn.modules.block.C2f             [256, 256, 1, True]
  9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 12                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 15                  -1  1     37248  ultralytics.nn.modules.block.C2f             [192, 64, 1]
 16                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 18                  -1  1    123648  ultralytics.nn.modules.block.C2f             [192, 128, 1]
 19                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 21                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]
 22        [15, 18, 21]  1    752092  ultralytics.nn.modules.head.Detect           [4, [64, 128, 256]]
YOLOv8n summary: 225 layers, 3,011,628 parameters, 3,011,612 gradients, 8.2 GFLOPs

（2）yolov8s.yaml模型：

                   from  n    params  module                                       arguments
  0                  -1  1       928  ultralytics.nn.modules.conv.Conv             [3, 32, 3, 2]
  1                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]
  2                  -1  1     29056  ultralytics.nn.modules.block.C2f             [64, 64, 1, True]
  3                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]
  4                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]
  5                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]
  6                  -1  2    788480  ultralytics.nn.modules.block.C2f             [256, 256, 2, True]
  7                  -1  1   1180672  ultralytics.nn.modules.conv.Conv             [256, 512, 3, 2]
  8                  -1  1   1838080  ultralytics.nn.modules.block.C2f             [512, 512, 1, True]
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 12                  -1  1    591360  ultralytics.nn.modules.block.C2f             [768, 256, 1]
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 15                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]
 16                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 18                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]
 19                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 21                  -1  1   1969152  ultralytics.nn.modules.block.C2f             [768, 512, 1]
 22        [15, 18, 21]  1   2117596  ultralytics.nn.modules.head.Detect           [4, [128, 256, 512]]
YOLOv8s summary: 225 layers, 11,137,148 parameters, 11,137,132 gradients, 28.7 GFLOPs

（3）yolov8l.yaml模型：

                   from  n    params  module                                       arguments
  0                  -1  1      1856  ultralytics.nn.modules.conv.Conv             [3, 64, 3, 2]
  1                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]
  2                  -1  3    279808  ultralytics.nn.modules.block.C2f             [128, 128, 3, True]
  3                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]
  4                  -1  6   2101248  ultralytics.nn.modules.block.C2f             [256, 256, 6, True]
  5                  -1  1   1180672  ultralytics.nn.modules.conv.Conv             [256, 512, 3, 2]
  6                  -1  6   8396800  ultralytics.nn.modules.block.C2f             [512, 512, 6, True]
  7                  -1  1   2360320  ultralytics.nn.modules.conv.Conv             [512, 512, 3, 2]
  8                  -1  3   4461568  ultralytics.nn.modules.block.C2f             [512, 512, 3, True]
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 12                  -1  3   4723712  ultralytics.nn.modules.block.C2f             [1024, 512, 3]
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 15                  -1  3   1247744  ultralytics.nn.modules.block.C2f             [768, 256, 3]
 16                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 18                  -1  3   4592640  ultralytics.nn.modules.block.C2f             [768, 512, 3]
 19                  -1  1   2360320  ultralytics.nn.modules.conv.Conv             [512, 512, 3, 2]
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 21                  -1  3   4723712  ultralytics.nn.modules.block.C2f             [1024, 512, 3]
 22        [15, 18, 21]  1   5585884  ultralytics.nn.modules.head.Detect           [4, [256, 512, 512]]
YOLOv8l summary: 365 layers, 43,632,924 parameters, 43,632,908 gradients, 165.4 GFLOPs

4.对比

1. depth : 这个参数控制了模型的深度，即每个阶段中模块的重复次数。在模型配置文件中，这通常体现在repeats参数上。
2. width : 这个参数控制了模型的宽度，即每个卷积层中卷积核的数量。在模型配置文件中，这体现在[in_channels, out_channels, kernel_size, stride]中的out_channels上。
3. max_channels : 这个参数控制了模型中最大的通道数。在模型配置文件中，这通常体现在模型较深层的out_channels上。
   以下是对YOLOv8n、YOLOv8s和YOLOv8l模型结构的比较：

YOLOv8n.yaml模型：

• depth : 较浅，每个模块的repeats通常为1或2。
• width : 较窄，初始卷积层的out_channels为16，后续层逐渐增加，但最大值不超过256。
• max_channels: 256，体现在模型的深层卷积层。

YOLOv8s.yaml模型：

• depth : 较深，某些模块的repeats为2或3。
• width : 较宽，初始卷积层的out_channels为32，后续层逐渐增加，最大值达到512。
• max_channels: 512，体现在模型的深层卷积层。

YOLOv8l.yaml模型：

• depth : 更深，模块的repeats可以高达6。
• width : 更宽，初始卷积层的out_channels为64，后续层逐渐增加，最大值达到512，并且在某些层中保持这个宽度。
• max_channels: 512，体现在模型的深层卷积层，并且这个宽度在多个层中保持一致。

对比分析：

• depth: YOLOv8l的模型最深，有更多的模块重复，这通常意味着模型能够捕捉更复杂的特征，但也增加了计算量和参数数量。
• width: 随着模型从n到l，宽度逐渐增加，这意味着模型在每个层次上能够处理更多的特征映射，增强了模型的表示能力。
• max_channels : 在n和s模型中，最大通道数分别为256和512，而在l模型中，最大通道数保持在512，这表明l模型在保持较高通道数的同时，也在更深的层次上操作。
  总结来说，随着模型从n到l，模型的深度、宽度和最大通道数都在增加，这导致了模型的参数数量和计算复杂度的显著增加，同时也可能提高了模型的性能。