直接上YOLOv8的结构图吧           ，小伙伴们可以直接和YOLOv5进行对比  
 
  
 
  
 
  
 
  
 
  
，看看能找到或者猜到有什么不同的地方？

Backbone：使用的依旧是CSP的思想










，不过YOLOv5中的C3模块被替换成了C2f模块
  
  
  
  
  
 ，实现了进一步的轻量化  
  
  
  
  
 ，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；

PAN-FPN：毫无疑问YOLOv8依旧使用了PAN的思想
 


 


 


 


 


 
，不过通过对比YOLOv5与YOLOv8的结构图可以看到
 
 
 
 
 
，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了   
   
   
   
   
  ，同时也将C3模块替换为了C2f模块；

Decoupled-Head：是不是嗅到了不一样的味道？是的
 

 

 

 

 

 
，YOLOv8走向了Decoupled-Head；

Anchor-Free：YOLOv8抛弃了以往的Anchor-Base

 

 

 

 

 
，使用了Anchor-Free的思想；

损失函数：YOLOv8使用VFL Loss作为分类损失            ，使用DFL Loss+CIOU Loss作为分类损失；

样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式
 
 

 
 

 
 

 
 

 
 

 
，而是使用了Task-Aligned Assigner匹配方式           。

SPPF改进

SPP结构又被称为空间金字塔池化










，能将任意大小的特征图转换成固定大小的特征向量  
 
  
 
  
 
  
 
  
 
  
。

接下来我们来详述一下SPP是怎么处理滴~

输入层：首先我们现在有一张任意大小的图片                 ，其大小为w * h










。

输出层：21个神经元 -- 即我们待会希望提取到21个特征
  
  
  
  
  
 。

分析如下图所示：分别对1 * 1分块 
 
 
 
 
 
 
 
 
 
 
，2 * 2分块和4 * 4子图里分别取每一个框内的max值（即取蓝框框内的最大值）
















，这一步就是作最大池化           ，这样最后提取出来的特征值（即取出来的最大值）一共有1 * 1 + 2 * 2 + 4 * 4 = 21个  
  
  
  
  
 。得出的特征再concat在一起
 


 


 


 


 


 
。

PAN-FPN改进

YOLOv6的neck结构图

我们再看YOLOv8的结构图：

YOLOv8的neck结构图

可以看到  
 
  
 
  
 
  
 
  
 
  
，相对于YOLOv5或者YOLOv6










，YOLOv8将C3模块以及RepBlock替换为了C2f
  
  
  
  
  
 ，同时细心可以发现  
  
  
  
  
 ，相对于YOLOv5和YOLOv6
 


 


 


 


 


 
，YOLOv8选择将上采样之前的1×1卷积去除了
 
 
 
 
 
，将Backbone不同阶段输出的特征直接送入了上采样操作
 
 
 
 
 
。

2.4
  
  
  
  
  
 、Head部分都变了什么呢？

先看一下YOLOv5本身的Head（Coupled-Head）：

YOLOv5的head结构图

而YOLOv8则是使用了Decoupled-Head   
   
   
   
   
  ，同时由于使用了DFL 的思想
 

 

 

 

 

 
，因此回归头的通道数也变成了4*reg_max的形式：

YOLOv8的head结构图

对比一下YOLOv5与YOLOv8的YAML

二 
  
  
  
  
  、下载yolov8源码

yolov8源码链接:https://github.com/ultralytics/ultralytics

三 


 


 


 


 


 

、环境准备

环境如下：

Ubuntu18.04

cuda11.3

pytorch:1.11.0

torchvision:0.12.0

准备好环境后

 

 

 

 

 
，先进入自己带pytorch的虚拟环境            ，与之前的yolo系列安装都不太一样
 
 

 
 

 
 

 
 

 
 

 
，yolov8仅需要安装ultralytics这一个库就ok了   
   
   
   
   
  。

pip install ultralytics

另一种方法稍显麻烦










，需要先克隆git仓库                 ，再进行安装；二者取其一即可
 

 

 

 

 

 
。

git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e .

测试:

运行之后出现两张预测完的图片说明已经成功:

四
 
 
 
 
 
、数据处理

在yolov8/data目录下新建Annotations, images, ImageSets, labels 四个文件夹

images目录下存放数据集的图片文件

Annotations目录下存放图片的xml文件（labelImg标注） 

 将xml文件转换成YOLO系列标准读取的txt文件

在同级目录下再新建一个文件XML2TXT.py

注意classes = [“…
  
  
  
  
  
 ”]一定需要填写自己数据集的类别 
 
 
 
 
 
 
 
 
 
 
，在这里我是一个类别"fall"
















，因此classes = [“fall 
  
  
  
  
  ”]           ，代码如下所示：

如果数据集中的类别比较多不想手敲类别的  
 
  
 
  
 
  
 
  
 
  
，可以使用（4）中的脚本直接获取类别










，同时还能查看各个类别的数据量
  
  
  
  
  
 ，如果不想可以直接跳过（4）

 

 

 

 

 
。

  # -*- coding: utf-8 -*- # xml解析包 import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join sets = [train, test, val] classes = [fall] # 进行归一化操作 def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax) dw = 1./size[0] # 1/w dh = 1./size[1] # 1/h x = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标 y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标 w = box[1] - box[0] # 物体实际像素宽度 h = box[3] - box[2] # 物体实际像素高度 x = x*dw # 物体中心点x的坐标比(相当于 x/原图w) w = w*dw # 物体宽度的宽度比(相当于 w/原图w) y = y*dh # 物体中心点y的坐标比(相当于 y/原图h) h = h*dh # 物体宽度的宽度比(相当于 h/原图h) return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1] # year =2012, 对应图片的id（文件名） def convert_annotation(image_id): 将对应文件名的xml文件转化为label文件  
  
  
  
  
 ，xml文件包含了对应的bunding框以及图片长款大小等信息
 


 


 


 


 


 
， 通过对其解析
 
 
 
 
 
，然后进行归一化最终读到label文件中去   
   
   
   
   
  ，也就是说 一张图片文件对应一个xml文件
 

 

 

 

 

 
，然后通过解析和归一化

 

 

 

 

 
，能够将对应的信息保存到唯一一个label文件中去 labal文件中的格式：calss x y w h　　同时            ，一张图片对应的类别有多个
 
 

 
 

 
 

 
 

 
 

 
，所以对应的ｂｕｎｄｉｎｇ的信息也有多个 # 对应的通过year 找到相应的文件夹










，并且打开相应image_id的xml文件                 ，其对应bund文件 in_file = open(data/Annotations/%s.xml % (image_id), encoding=utf-8) # 准备在对应的image_id 中写入对应的label 
 
 
 
 
 
 
 
 
 
 
，分别为 # <object-class> <x> <y> <width> <height> out_file = open(data/labels/%s.txt % (image_id), w, encoding=utf-8) # 解析xml文件 tree = ET.parse(in_file) # 获得对应的键值对 root = tree.getroot() # 获得图片的尺寸大小 size = root.find(size) # 如果xml内的标记为空
















，增加判断条件 if size != None: # 获得宽 w = int(size.find(width).text) # 获得高 h = int(size.find(height).text) # 遍历目标obj for obj in root.iter(object): # 获得difficult ？？ difficult = obj.find(difficult).text # 获得类别 =string 类型 cls = obj.find(name).text # 如果类别不是对应在我们预定好的class文件中           ，或difficult==1则跳过 if cls not in classes or int(difficult) == 1: continue # 通过类别名称找到id cls_id = classes.index(cls) # 找到bndbox 对象 xmlbox = obj.find(bndbox) # 获取对应的bndbox的数组 = [xmin,xmax,ymin,ymax] b = (float(xmlbox.find(xmin).text), float(xmlbox.find(xmax).text), float(xmlbox.find(ymin).text), float(xmlbox.find(ymax).text)) print(image_id, cls, b) # 带入进行归一化操作 # w = 宽, h = 高  
 
  
 
  
 
  
 
  
 
  
， b= bndbox的数组 = [xmin,xmax,ymin,ymax] bb = convert((w, h), b) # bb 对应的是归一化后的(x,y,w,h) # 生成 calss x y w h 在label文件中 out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + \n) # 返回当前工作目录 wd = getcwd() print(wd) for image_set in sets: 对所有的文件数据集进行遍历 做了两个工作： 　　　　１．将所有图片文件都遍历一遍










，并且将其所有的全路径都写在对应的txt文件中去
  
  
  
  
  
 ，方便定位 　　　　２．同时对所有的图片文件进行解析和转化  
  
  
  
  
 ，将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去 　　　　　最后再通过直接读取文件
 


 


 


 


 


 
，就能找到对应的label 信息 # 先找labels文件夹如果不存在则创建 if not os.path.exists(data/labels/): os.makedirs(data/labels/) # 读取在ImageSets/Main 中的train  
   
   
   
   
   、test..等文件的内容 # 包含对应的文件名称 image_ids = open(data/ImageSets/%s.txt % (image_set)).read().strip().split() # 打开对应的2012_train.txt 文件对其进行写入准备 list_file = open(data/%s.txt % (image_set), w) # 将对应的文件_id以及全路径写进去并换行 for image_id in image_ids: list_file.write(data/images/%s.jpg\n % (image_id)) # 调用 year = 年份 image_id = 对应的文件名_id convert_annotation(image_id) # 关闭文件 list_file.close()

查看自定义数据集标签类别及数量

在yolov8目录下再新建一个文件ViewCategory.py
 
 
 
 
 
，将代码复制进去

import os from unicodedata import name import xml.etree.ElementTree as ET import glob def count_num(indir): label_list = [] # 提取xml文件列表 os.chdir(indir) annotations = os.listdir(.) annotations = glob.glob(str(annotations) + *.xml) dict = {} # 新建字典   
   
   
   
   
  ，用于存放各类标签名及其对应的数目 for i, file in enumerate(annotations): # 遍历xml文件 # actual parsing in_file = open(file, encoding=utf-8) tree = ET.parse(in_file) root = tree.getroot() # 遍历文件的所有标签 for obj in root.iter(object): name = obj.find(name).text if (name in dict.keys()): dict[name] += 1 # 如果标签不是第一次出现
 

 

 

 

 

 
，则+1 else: dict[name] = 1 # 如果标签是第一次出现

 

 

 

 

 
，则将该标签名对应的value初始化为1 # 打印结果 print("各类标签的数量分别为：") for key in dict.keys(): print(key + : + str(dict[key])) label_list.append(key) print("标签类别如下：") print(label_list) if __name__ == __main__: # xml文件所在的目录            ，修改此处 indir = data/Annotations count_num(indir) # 调用函数统计各类标签数目

修改数据加载配置文件

进入data/文件夹
 
 

 
 

 
 

 
 

 
 

 
，新建fall.yaml










，内容如下                 ，注意txt需要使用绝对路径

train: /home/xxx/yolov8/data/train.txt val: /home/xxx/yolov8/data/val.txt test: /home/xxx/yolov8/data/test.txt # number of classes nc: 1 # class names names: [fall]

五 

 

 

 

 

 
、模型训练

打开终端（或者pycharm等IDE） 
 
 
 
 
 
 
 
 
 
 
，进入虚拟环境
















，随后进入yolov8文件夹           ，在终端中输入下面命令  
 
  
 
  
 
  
 
  
 
  
，即可开始训练            。

yolo task=detect mode=train model=yolov8n.pt data=data/fall.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0

六

 

 

 

 

 

、模型验证

yolo task=detect mode=val model=runs/detect/train3/weights/best.pt data=data/fall.yaml device=0

七           、模型预测

yolo task=detect mode=predict model=runs/detect/train3/weights/best.pt source=data/images device=0

八 
 

 
 

 
 

 
 

 
 

 
 、模型导出

yolo task=detect mode=export model=runs/detect/train3/weights/best.pt

订阅专栏获得源码