📚 课程目录第2章 YOLOv8模型基础与导出

YOLOv8模型基础与导出：从网络结构到ONNX

好，咱们正式开始动手前的热身环节。
YOLOv8的结构、训练保存、导出ONNX——这三件事搞明白，后面所有部署工作才能站得住脚。
我见过不少同学，模型训完直接拿PyTorch的.pt文件往生产环境塞，结果推理慢得离谱，还各种报错。
说白了，部署的第一步，就是搞清楚你的模型到底长什么样，以及怎么把它变成通用格式。

YOLOv8网络结构速览

YOLOv8的结构，我习惯把它拆成三块来看：

Backbone（主干网络）：负责提取特征。YOLOv8用的是CSPDarknet的改进版，加入了C2f模块。
Neck（颈部）：负责融合多尺度特征。FPN+PAN结构，让不同尺寸的目标都能被照顾到。
Head（检测头）：负责输出预测结果。YOLOv8换成了解耦头（Decoupled Head），分类和回归分开走。

为什么这么设计？
你想想看，工业场景里目标大小差异很大——一个画面里可能既有大设备，又有小螺丝。
Backbone提取基础特征，Neck把深浅层信息揉在一起，Head再各自干活。分工明确，效率才高。

核心变化：YOLOv8相比v5，最大的改动就是Head部分。v5的耦合头把分类和回归绑在一起，v8解耦后，收敛更快，精度也更高。我在项目中实测过，同样数据下mAP能涨1-2个点。

下面这张图，是我自己画的结构简图，帮你快速建立整体认知：

PyTorch模型训练与权重保存

训练这块，我不打算讲太多理论——网上教程一抓一大把。
我重点说说权重保存的那些坑，这才是部署环节最容易翻车的地方。

训练流程速览

准备数据：标注格式转成YOLO格式（txt文件，每行一个目标）。
配置yaml文件：指定数据路径、类别数、类别名。
选择预训练权重：yolov8n.pt / yolov8s.pt / yolov8m.pt 等。
开始训练：yolo train model=yolov8n.pt data=coco128.yaml epochs=100
保存权重：训练完成后，runs/detect/train/weights/ 下会有 best.pt 和 last.pt。

我的习惯：训练时把 patience 设成 20-30 个epoch，早停机制能帮你省不少时间。另外，batch 大小根据显存来，别贪大——我见过有人把batch设到64，结果显存爆了，白跑半天。

权重文件里到底有什么？

很多人以为 .pt 文件就是个模型结构，其实不是。
PyTorch的 .pt 文件是一个字典，里面包含：

键名	内容	部署时是否需要
`model`	模型的状态字典（state_dict）	✅ 需要
`epoch`	当前训练轮数	❌ 不需要
`optimizer`	优化器状态	❌ 不需要
`best_score`	最佳mAP分数	❌ 不需要
`args`	训练参数	❌ 不需要

看到了吧？
一个 .pt 文件里，真正对部署有用的只有 model 这一项。
其他都是训练过程的“副产品”。

注意：千万不要直接把训练好的 .pt 文件扔到生产环境去推理！
原因有三：1) 文件体积大，加载慢；2) 依赖PyTorch环境；3) 推理速度远不如优化后的格式。
正确的做法是：先导出成ONNX，再转成TensorRT或OpenVINO。

导出为ONNX格式

ONNX（Open Neural Network Exchange）说白了就是模型界的“通用语言”。
不管你是用PyTorch、TensorFlow还是其他框架训的模型，都能转成ONNX。
然后ONNX又可以转成各种推理引擎的格式——TensorRT、OpenVINO、ONNX Runtime都支持。

导出命令

YOLOv8官方已经封装好了导出接口，一行命令搞定：

yolo export model=best.pt format=onnx opset=12

或者用Python代码：

from ultralytics import YOLO

model = YOLO('best.pt')
model.export(format='onnx', opset=12, dynamic=True)

关键参数说明

参数	说明	建议值
`opset`	ONNX算子集版本	12 或 13（兼容性好）
`dynamic`	是否支持动态batch	True（工业场景推荐）
`simplify`	是否简化模型结构	True（减少冗余算子）
`imgsz`	输入图像尺寸	640（与训练时一致）

避坑指南：
我曾经在导出时忘了设 dynamic=True，结果模型只能接受固定batch size的输入。
到了生产环境，客户端传来的图片数量不固定，推理服务直接报错。
后来排查了半天才发现是这个问题。所以，工业场景下务必开启动态batch。

导出后的验证

导出完别急着走，先验证一下ONNX模型能不能正常跑：

import onnx
import onnxruntime as ort

# 检查模型结构
onnx_model = onnx.load('best.onnx')
onnx.checker.check_model(onnx_model)

# 用ONNX Runtime跑一次推理
session = ort.InferenceSession('best.onnx')
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name

import numpy as np
dummy_input = np.random.randn(1, 3, 640, 640).astype(np.float32)
result = session.run([output_name], {input_name: dummy_input})
print('ONNX导出成功，输出shape:', result[0].shape)

如果这一步没报错，恭喜你，模型已经成功从PyTorch的“温室”里搬出来了。
接下来就可以进入下一阶段的优化和部署了。

小技巧：用 onnx-simplifier 工具再跑一遍简化，能去掉很多冗余的Shape和Reshape算子。
安装命令：pip install onnx-simplifier，然后 python -m onnxsim best.onnx best_simplified.onnx。
简化后的模型体积更小，推理速度也能提升5%-10%。

本章小结

咱们这一章把YOLOv8的底牌翻了个底朝天：

网络结构：Backbone提取特征 → Neck融合多尺度 → Head解耦输出
权重保存：.pt文件里只有model是部署需要的，其他都是训练垃圾
ONNX导出：一行命令搞定，但别忘了开dynamic和simplify