YOLOv8 基础实战：模型结构解析、权重下载与推理

YOLOv8 是 Ultralytics 团队在 2023 年初推出的目标检测框架。说实话，从 v5 到 v8 的跨度挺大的——不光是模型结构改了，连训练和推理的 API 都重新设计了。我个人习惯把 v8 看作一个「工程化更彻底」的版本，它把数据增强、模型导出、部署转换都集成到了一个库里。

这一章我们先把 YOLOv8 的模型结构拆开看看，然后下载官方权重，最后用预训练模型跑几个推理 demo。嗯，动手之前先把原理理清楚。

YOLOv8 模型结构总览

YOLOv8 延续了「Backbone + Neck + Head」的三段式设计。但和 v5 相比，每个模块都有调整。我画了一张结构图，方便你对照着看。

核心模块详解

1. Backbone：CSPDarknet 的进化

YOLOv8 的 Backbone 还是基于 CSPDarknet 的架构，但把原来的 C3 模块换成了 C2f。C2f 的全称是「Cross Stage Partial with 2 convolutions and feature fusion」——说白了就是让梯度在跨层连接时流得更顺畅。

我在项目中对比过 C3 和 C2f 的参数量：同样深度下，C2f 的 FLOPs 略高一点，但 mAP 能提升 0.5~1 个点。对于追求精度的场景，这个 trade-off 是值得的。

2. Neck：FPN + PAN 的经典组合

Neck 部分负责把 Backbone 输出的多尺度特征融合起来。YOLOv8 沿用了 FPN（自顶向下）和 PAN（自底向上）的双向融合结构。这样做的好处是：小目标能从高层语义中受益，大目标也能保留底层细节。

具体来说，Neck 会输出三个尺度的特征图：

• P3（80×80）：负责小目标检测
• P4（40×40）：负责中目标检测
• P5（20×20）：负责大目标检测

3. Head：解耦检测头

这是 YOLOv8 和 v5 最大的区别。v5 的 Head 是耦合的——分类和回归共享同一组卷积。v8 把这两个任务拆开了：

• 分类分支：输出每个 anchor 的类别概率
• 回归分支：输出边界框的坐标偏移

为什么要解耦？我在做行人检测时遇到过一个问题：分类和回归对特征的需求其实不一样。分类更关注「是什么」，回归更关注「在哪里」。共享特征会导致两者互相干扰。解耦之后，每个分支可以专注自己的任务，收敛更快。

官方权重下载

YOLOv8 提供了 5 个不同规模的预训练模型，从轻量到高精度都有。我个人习惯在项目初期先用 nano 版本跑通流程，确认数据没问题后再换大模型。

下载权重很简单，一行代码搞定：

# 自动下载 YOLOv8n 权重（首次运行会自动下载）
from ultralytics import YOLO
model = YOLO('yolov8n.pt')  # 会自动从 GitHub Release 下载

权重文件会保存在当前目录下。如果你想手动下载，也可以去 Ultralytics 的 GitHub Release 页面找。嗯，不过我建议直接用代码自动下载，省事。

使用预训练模型进行推理

推理是 YOLOv8 最爽的部分——API 设计得非常简洁。我们分三种场景来看：图片、视频、摄像头。

图片推理

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')

# 单张图片推理
results = model('bus.jpg')

# 批量图片推理
results = model(['img1.jpg', 'img2.jpg', 'img3.jpg'])

# 查看结果
for result in results:
    boxes = result.boxes  # 边界框
    print(f"检测到 {len(boxes)} 个目标")
    for box in boxes:
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        conf = box.conf[0].item()
        cls = box.cls[0].item()
        print(f"类别: {int(cls)}, 置信度: {conf:.2f}, 坐标: ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

视频推理

视频推理其实就是逐帧处理。YOLOv8 封装好了，你只需要传入视频路径：

model = YOLO('yolov8n.pt')

# 视频推理，自动保存结果
results = model('test_video.mp4', save=True)

# 如果想实时显示，可以用 stream=True
results = model('test_video.mp4', stream=True)
for result in results:
    # 处理每一帧
    pass

我在项目中处理过一段 10 分钟的 4K 视频，用 YOLOv8m 跑，T4 显卡上大概花了 3 分钟。如果换成 YOLOv8n，能压缩到 1 分钟以内。所以视频推理时，我建议先评估一下精度要求，再选模型。

摄像头实时推理

摄像头推理和视频推理几乎一样，只是输入源变成了摄像头 ID：

model = YOLO('yolov8n.pt')

# 使用摄像头 0（默认摄像头）
results = model(source=0, show=True, conf=0.5)

# 或者用更底层的写法
import cv2
cap = cv2.VideoCapture(0)
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    results = model(frame)
    annotated_frame = results[0].plot()
    cv2.imshow('YOLOv8 Detection', annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

推理参数调优

YOLOv8 的推理函数支持很多参数，我列几个常用的：

举个例子，如果你想要高精度检测：

results = model('bus.jpg', conf=0.5, iou=0.5, imgsz=1280)

如果你想要快速推理：

results = model('bus.jpg', conf=0.3, iou=0.7, imgsz=320)

本章小结

这一章我们做了三件事：

• 拆解了 YOLOv8 的 Backbone、Neck、Head 结构，重点讲了 C2f 和解耦检测头
• 下载了官方预训练权重，了解了 5 个模型的性能差异
• 用预训练模型跑了图片、视频、摄像头三种推理场景

说实话，YOLOv8 的 API 设计得确实好——几行代码就能跑通一个完整的检测流程。但别急着高兴，真正的工作量在后面：数据标注、模型训练、调参、部署……这些才是硬骨头。