YOLOv8目标检测实战详解

🎯 YOLOv8目标检测实战详解

📋 目录

• 一、YOLOv8简介
• 二、YOLOv8输入与输出
• 三、YOLOv8前处理
• 四、YOLOv8后处理
• 五、YOLOv8-Pose姿态估计
• 六、参考资料与学习路径
• 七、总结

---

一、YOLOv8简介

1.1 学习目的

人工智能、深度学习是当前技术发展的重要趋势。在深度学习工程实践流程中，模型部署是关键的第三个环节：

数据准备 → 模型构建 → 模型部署

💡 定位建议：模型部署环节的主要工作包括推理前处理、推理后处理、平台适配与加速，要求我们：

• 了解模型的输入与输出
• 能够使用各种推理框架进行模型转换与推理
• 具备快速适配各硬件平台的能力
• 掌握流媒体、视频编解码、图像处理等技术
• 能够快速写出稳定、高性能的C++代码

1.2 为什么选择YOLOv8

YOLOv8是YOLO系列的最新版本，具有以下优势：

• 速度快：实时检测，适合部署
• 精度高：在多个数据集上达到SOTA
• 易部署：支持多种推理框架
• 功能全：支持目标检测、姿态估计、实例分割等任务

---

二、YOLOv8输入与输出

2.1 输入格式（NCHW）

YOLOv8的输入是一个张量，通常采用NCHW格式：

维度	含义	说明
N	Batch Size	批次大小，通常为1
C	Channels	通道数，RGB图像为3
H	Height	图像高度，通常为640
W	Width	图像宽度，通常为640

输入张量形状： [1, 3, 640, 640]

2.2 输出格式详解

YOLOv8的输出张量形状为 [1, 84, 8400]：

[1, 84, 8400]
 │   │   │
 │   │   └─ 8400个预测点
 │   └─ 4 + 80（边界框 + 类别数）
 └─ 批次数

维度解析：

参数	值	说明
批次数	1	单张图片推理时为1
84	4 + 80	边界框坐标 + 80个类别置信度
8400	8400	YOLOv8在图片上生成的预测框数量

📝 通俗理解：YOLOv8在图片上会画出8400个大小不一的框，对每个框中的物体进行预测，对80个类别依次打分，找到分数最高的类别。

2.3 内存数据布局

深入理解输出数据在内存中的存储方式：

张量 [1, 84, 8400] 的内存布局：

• 第一维 ：批次数，决定有多少个 84 × 8400 的数据块
• 第二维 ：84个元素，每个元素包含：
  • 前4个：边界框坐标 (x, y, w, h)
  • 后80个：各类别的置信度分数
• 第三维：8400个数据点

第二维详细结构：

[0-3]:   边界框 (left, top, right, bottom)
[4-83]:  80个类别的置信度

---

三、YOLOv8前处理

前处理是将原始图像转换为模型输入格式的关键步骤：

3.1 图像缩放

YOLOv8要求的输入分辨率是 640×640。

处理方式：

# 缩放图像到640x640
image = cv2.resize(image, (640, 640))

⚠️ 注意事项：缩放时需保持图像的长宽比，避免物体变形。通常使用letterbox方法进行填充。

3.2 颜色空间转换

YOLOv8要求输入RGB格式数据。

转换代码：

# BGR转RGB
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

3.3 图像归一化

YOLOv8期待输入图像像素值在 [0, 1] 范围内。

归一化处理：

# 将uint8(0-255)归一化为float32(0-1)
image_normalized = image.astype(np.float32) / 255.0

3.4 HWC转CHW

YOLOv8要求输入CHW格式（Channel × Height × Width）。

转置操作：

# HWC转CHW
image_chw = np.transpose(image_normalized, (2, 0, 1))

前处理完整流程：

原始图像 → 缩放(640×640) → BGR转RGB → 归一化(/255) → HWC转CHW

---

四、YOLOv8后处理

后处理是将模型原始输出转换为可读检测结果的过程：

4.1 转置操作

将模型输出 [84, 8400] 转置为 [8400, 84]，便于后续处理。

# 转置操作
output = np.squeeze(output)  # 移除批次维度
output = output.transpose()   # [8400, 84]

4.2 解码与筛选

从8400个检测点中筛选出置信度高的点：

筛选流程：

1. 提取边界框坐标 (x, y, w, h)
2. 计算每个类别的置信度
3. 筛选置信度大于阈值的检测点

数据结构：

item[0]: left     (左边界)
item[1]: top      (上边界)
item[2]: right    (右边界)
item[3]: bottom   (下边界)
item[4]: confidence (置信度)
item[5]: label    (类别ID)

4.3 非极大值抑制（NMS）

YOLOv8可能会预测多个重叠的框检测同一物体，使用NMS筛选最优框。

NMS原理：

1. 按置信度排序所有检测框
2. 选择置信度最高的框作为保留框
3. 计算其他框与保留框的IoU（交并比）
4. 删除IoU大于阈值的重叠框
5. 重复上述步骤直到所有框处理完毕

NMS参数：

参数	说明
conf_thres	置信度阈值，通常为0.25
iou_thres	IoU阈值，通常为0.45

---

五、YOLOv8-Pose姿态估计

5.1 基本概念

YOLOv8-Pose是YOLOv8模型中用于姿态估计的版本。

官方模型特点：

• 仅用于人体姿态评估
• 检测出人体轮廓点
• 输出17个关键点（如肩、肘、腕、膝、踝等）

5.2 输出格式

YOLOv8-Pose输出格式：

(x, y, w, h, c + points × 17) × 8400

参数	说明
x, y, w, h	目标框坐标和宽高
c	置信度
points	轮廓点，每个点包含3个数据（x, y, confidence）
17	17个轮廓点

轮廓点数据结构：

每个关键点包含：

• x: 关键点x坐标
• y: 关键点y坐标
• confidence: 关键点置信度

5.3 交通目标检测应用

在交通目标检测场景中，YOLOv8-Pose可以检测车辆关键点（如车轮位置）。

与官方模型的差异：

项目	官方模型	交通目标模型
轮廓点数量	17个	4个
检测类别	1类（人）	10类

交通目标YOLOv8-Pose输出格式：

(x, y, w, h + c × 10 + points × 4) × 8400

说明：

• c × 10: 10种类别的置信度
• points × 4: 4个轮廓点（如车轮位置）

---

六、参考资料与学习路径

6.1 官方文档

• Ultralytics YOLOv8官方文档
• YOLOv8 GitHub仓库

6.2 详细教程

• 最细致讲解YOLOv8模型推理完整代码 - 包含前处理、后处理详细代码
• YOLO系列文章汇总 - YOLOv1论文解读

七、总结

核心要点回顾

✅ 输入格式 ：NCHW格式的640×640 RGB图像

✅ 输出格式 ：[1, 84, 8400] 张量，包含边界框和类别置信度

✅ 前处理 ：缩放 → BGR转RGB → 归一化 → HWC转CHW

✅ 后处理 ：转置 → 解码筛选 → NMS去重

✅ Pose版本：支持关键点检测，可应用于人体姿态估计和交通目标检测

实战建议

🎯 最佳实践：

1. 先用Python验证前后处理逻辑
2. 再用C++实现高性能推理
3. 对比Python和C++结果确保一致性
4. 使用TensorRT优化推理性能

常见问题

Q1: 为什么输出是8400个预测点？

A: YOLOv8在不同尺度特征图上生成预测框，三个尺度分别为80×80、40×40、20×20，总共6400+1600+400=8400个预测点。

Q2: 如何处理不同尺寸的图像？

A: 使用letterbox方法保持长宽比，缩放到640×640，推理后将坐标映射回原图。

Q3: NMS阈值如何选择？

A: 置信度阈值conf_thres通常为0.25，IoU阈值iou_thres通常为0.45，可根据实际场景调整。