3、YOLOv8基础：架构概览与三大核心模块

YOLOv8 是 Ultralytics 在 2023 年初推出的目标检测模型。说实话，我第一次跑通它的时候，第一反应是「这也太稳了」。相比之前的版本，v8 在精度和速度上做了很务实的取舍。今天我就带你把它的骨架拆开看看。

整个 YOLOv8 可以分成三块：Backbone（主干网络）、Neck（颈部） 和 Head（检测头）。我习惯把这三部分比作「眼睛-脖子-手」——眼睛看特征，脖子做融合，手去抓目标。

3.1 Backbone：CSPDarknet 的进化

YOLOv8 的 Backbone 沿用了 CSPDarknet 结构，但做了关键改进。我最早接触 CSP 结构是在 YOLOv4 时代，当时就觉得这种跨阶段部分连接的设计很聪明——它把特征图分成两路，一路做常规卷积，另一路直接拼接，既减少了计算量又保留了梯度信息。

v8 的 Backbone 主要包含以下组件：

• Conv 模块：标准的卷积 + BN + SiLU 激活。SiLU 比 ReLU 更平滑，训练时梯度更稳定。
• C2f 模块：这是 v8 的核心创新。它借鉴了 ELAN 的设计思路，把输入分成多个分支，每个分支做 3×3 卷积，最后全部拼接起来。我试过在自定义数据集上对比，C2f 比 v5 的 C3 模块参数量略增，但 mAP 能涨 1-2 个点。
• SPPF：快速空间金字塔池化。用三个串联的 5×5 最大池化替代原来的并行结构，速度更快，感受野不变。

Backbone 的输出是三个尺度的特征图，我习惯叫它们 P3、P4、P5。P3 分辨率最高（原图的 1/8），负责检测小目标；P5 分辨率最低（1/32），负责大目标。这种多尺度设计是 YOLO 能同时检测大小物体的关键。

3.2 Neck：PAN-FPN 的双向融合

Neck 的作用是把 Backbone 输出的多尺度特征融合起来。YOLOv8 用的是 PAN-FPN 结构，说白了就是「一条自上而下的路 + 一条自下而上的路」。

为什么需要双向？我打个比方：FPN 自上而下传递语义信息（让低层特征知道「这是什么」），PAN 自下而上传递位置信息（让高层特征知道「它在哪里」）。两者结合，检测头拿到的特征图既有丰富的语义又有精确的位置。

在 Neck 部分，YOLOv8 去掉了 v5 中的一些冗余卷积层，让特征融合更直接。我曾在一次工业缺陷检测项目里对比过，去掉这些层后推理速度提升了 15%，精度几乎没有下降。

3.3 Head：解耦头的设计哲学

Head 是 YOLOv8 变化最大的部分。v5 用的是耦合头——分类和回归共享同一组卷积。v8 换成了解耦头，分类和回归各走各的分支。

为什么要解耦？你想想看，分类任务关注的是「这是什么」，回归任务关注的是「它在哪里」。这两个任务的特征需求不同，硬绑在一起反而互相干扰。解耦后每个分支可以专注学习自己的特征。

解耦头的具体结构：

1. 输入特征图先经过两个 3×3 卷积降维
2. 分成两个分支：分类分支和回归分支
3. 每个分支再经过两个 3×3 卷积
4. 分类分支输出类别概率，回归分支输出边框坐标

回归分支还引入了一个新东西——DFL（Distribution Focal Loss）。传统的边框回归直接预测四个坐标值，DFL 改为预测坐标值的分布。举个例子，传统方法直接说「x=0.5」，DFL 会说「x 有 80% 可能是 0.5，20% 可能是 0.6」。这种分布式的表达让模型对模糊边界更鲁棒。

我刚开始用解耦头时有个困惑：为什么分类和回归分支的卷积核数量不一样？后来看了源码才明白，分类分支的输出通道等于类别数，回归分支的输出通道等于 4×16（四个坐标各对应 16 个分布值）。这个设计很巧妙，它让每个分支的参数量刚好匹配各自的任务复杂度。

3.4 损失函数与训练策略

YOLOv8 的损失函数由三部分组成：

注意回归损失的权重是 7.5，远大于分类损失。这是因为边框回归的精度对最终 mAP 影响更大。我在训练自己的数据集时试过调整这个比例，发现默认值确实是最优的。

还有一个细节：YOLOv8 在训练时使用了任务对齐学习器（TaskAlignedAssigner）来分配正负样本。它不再像 v5 那样只看 IoU，而是同时考虑分类得分和 IoU 的加权组合。说白了，一个锚框既要「分得准」又要「框得准」，才能被选为正样本。这个策略让训练初期收敛更快。