前言回顾

在这里粗略回顾一下YOLOv5，这里直接提供YOLOv5的整理的结构图吧

Backbone：CSPDarkNet结构，主要结构思想的体现在C3模块，这里也是梯度分流的主要思想所在的地方； PAN-FPN：双流的FPN，必须香，也必须快，但是量化还是有些需要图优化才可以达到最优的性能，比如cat前后的scale优化等等，这里除了上采样、CBS卷积模块，最为主要的还有C3模块（记住这个C3模块哦）； Head：Coupled Head+Anchor-base，毫无疑问，YOLOv3、YOLOv4、YOLOv5、YOLOv7都是Anchor-Base的，后面会变吗？ Loss：分类用BEC Loss，回归用CIoU Loss。

众所周知，YOLOv5推出的时候，只推出了代码，没有发布论文。尽管其代码功能完善强大，但是由于没有原汁原味的论文，导致了大多数学者的遗憾。

而今天，YOLOv5研发公司再次推出YOLO系列的YOLOv8模型，同时还爆料声称这次将会发布论文到。这对于大部分研究者而言无疑是一个很不错的福音。

是由 开发的一个前沿 SOTA 模型。它在以前 YOLO 版本的成功基础上，引入了新的功能和改进，进一步提升了性能和灵活性。YOLOv8 基于快速、准确和易于使用的理念设计，使其成为广泛的物体检测、图像分割和图像分类任务的绝佳选择。 YOLOv8的模型图如下：

总结来说yolov8更新大概是以下几点：

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； 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。

现在已经可以查看，虽然代码现在还没有公布。

模型优点

YOLOv8的一个关键特性是它的可扩展性。它被设计成一个支持YOLO所有以前版本的框架，使得在不同版本之间切换和比较它们的性能变得很容易。这使得YOLOv8成为那些想要利用最新YOLO技术的用户的理想选择，同时仍然能够使用他们现有的YOLO模型。 除了其可扩展性，YOLOv8还包括许多其他创新，使其成为广泛的对象检测和图像分割任务的吸引人的选择。其中包括一个新的骨干网，一个新的无锚检测头，和一个新的损失函数。YOLOv8也非常高效，可以在各种硬件平台上运行，从cpu到gpu。 总的来说，YOLOv8是一个强大而灵活的对象检测和图像分割工具，提供了最好的两个世界:最新的SOTA技术和使用和比较所有以前的YOLO版本的能力。

Github官方模型文件

官网地址：

代码地址

YOLOv8代码地址