1、目录介绍
主要目录ultralitics（重点）
1、assets目录
这个文件保存了YOLO历史上可以说是最经典的两张图片，供大家测试程序来使用的。
2、cfg
这个文件下面保存了我们的模型配置文件，cfg目录是项目配置的集中地，其中包括：
datasets文件夹：包含数据集的配置文件，如数据路径、类别信息等（就是我们训练YOLO模型的时候需要的数据集，这里面就保存了部分数据yaml文件，如果训练的时候没有指定数据集就会自动下载其中的数据集文件，但是很容易失败）
models文件夹：
存放模型配置文件，定义了模型结构和训练参数等，这个是我们改进或者基础版本的一个yaml文件配置的地方。
models下面的每个yaml文件代表了不同的yolov8模型配置，具体包括：
data
data/scripts文件，包含了一系列脚本和python文件
-download_weights.sh:用于下载预训练权重的脚本
-get_coco.sh,get_coco128.sh,get_imagenet.sh用于下载coco数据集
engine
该文件夹下面包含与模型训练、评估和推理有关的核心代码
hub
hub文件夹通常用于处理与平台或者服务集成相关的操作，包括：
auth.py 处理认证流程，如API密钥验证或者OAuth流程
session.py管理会话，包括创建和维护持久会话
utils.py包含一些通用工具函数，可能用于支持认证和会话管理功能
models
nn
这个文件夹下面的所有文件，就是定义我们模型中的一些组成构建，之后我们进行改进和优化，增加其他结构的时候都要在对应的文件夹下面改动。
modules文件夹：
init_.py表明此目录是python包
block.py包含了定义神经网络中的基础块，如残差块或者瓶颈块
conv.py卷积层相关的实现
head.py定义网络中的头部，用于预测
transformer.py包含了Transformer模型相关的实现
utils.py提供了cnn时可能用到的辅助函数
autobackend.py用于自动优化的计算后端
tasks.py定义了使用了神经网络完成的不同任务的流程，例如分类、检测或者分割。
solutions
trackers
utils
Yolov8的模型
- n 表示最小，最快，参数最少的模型，同样也是准确度最低的模型
- s 型号小，速度和精度平衡好
- m 中等模型，比推理速度适中的小模型精度更高
- l 大模型，准确率高，但速度慢
- x 超大模型，资源密集型应用的最佳精度
Yolov8的网络模型
Yolov8的网络结构主要有以下三部分组成：
backbone：主要用于特征提取，采取一系列的卷积和反卷积层。该部分采用c2f模块作为基本构成单元，该模块具有更少的参数量和更优秀的特征提取能力。具体来说，c2f模块通过更有效的结构设计，较少冗余参数，提高计算效率。此外，Backbone部分还包括一些常见的改进技术，如深度可分离卷积（Depthwise Sperable Convolution）和膨胀卷积（Dilated Convolution），以进一步增强特征提取的能力。
c2f模块功能介绍，你可以把它想象为一个超级过滤器，他能够从图像中提取一些有用的信息，帮助模型更准确找到和识别出图像中的目标。工作原理图：
nc：类别
scales:模型的大小
backbone：主干网络，用于图像的特征提取
neck：进行特征融合
# [from, repeats, module, args]
from:
-n:代表从前n层获得的输入（-1表示前一层）
repeats:
表示网络模块的数量
module
表示网络模块的名称
args:
表示向模块传递的参数
【ch_out,kernel,stride,padding,groups】