# YOLOv8 **Repository Path**: xgragon_0/YOLOv8 ## Basic Information - **Project Name**: YOLOv8 - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-02-07 - **Last Updated**: 2025-02-07 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README ## Official YOLOv8 训练自己的数据集并基于NVIDIA TensorRT和华为昇腾端到端模型加速以及安卓手机端部署 说明： 本项目支持YOLOv8的对应的package的版本是：[ultralytics-8.0.0](https://pypi.org/project/ultralytics/8.0.0/) ### 1.YOLO的一些发展历史 + **YOLOv1：2015年Joseph Redmon和** **Ali Farhadi等** **人（华盛顿大学）** + **YOLOv2：2016年Joseph Redmon\**和\**\**Ali Farhadi\**等人\**（华盛顿大学）\**** + [**YOLOv3**](http://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247484179&idx=1&sn=c127ae5aac72f52ca7bb39d78512a190&chksm=f9a2719cced5f88a7d92ef5dbb1c010f957d539a3a6acafe85f1e4fa888a39f252ddb8154175&scene=21#wechat_redirect)**：2018年Joseph Redmon\**和\**\**Ali Farhadi\**等人\**（华盛顿大学）\**** + [**YOLOv4**](http://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247498390&idx=1&sn=62ec5122def0ceb967761d628799a43b&chksm=f9a18819ced6010f325c7d9af1e96a110ab64fbb96c2a085d2073e799c16704ab86a0d10547a&scene=21#wechat_redirect)**：2020年Alexey Bochkovskiy和Chien-Yao Wang等人** + [**YOLOv5**](http://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247500275&idx=2&sn=a862a79afa87b5ce85fff8a6da6ab34a&chksm=f9a1b37cced63a6abf54e8a778189278bb9c14d2b3fe8f9d3d7ac403906bbf46ba21c179cc91&scene=21#wechat_redirect)**：2020年Ultralytics公司** + **YOLOv6：2022年美团公司** + [**YOLOv7**](http://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247550919&idx=2&sn=884a1f6f2c969d67a4c532511b8240a9&chksm=f9a17548ced6fc5e44e8d7db791181f90e2d8f024c14c7765726d0face59e6c8797caf029f1a&scene=21#wechat_redirect)**：2022年Alexey Bochkovskiy\**和Chien-Yao Wang\**等人** + **YOLOv8：2023年Ultralytics公司** 上述简单罗列了 **YOLOv数字系列** 的发布时间和作者/单位机构，因为YOLO系列生态太猛了，比如还有知名的PP-YOLO系列、YOLOX等等工作。 ### 2. YOLOv8的相关资源 + YOLOv8 Github: https://github.com/ultralytics/ultralytics + ~~YOLOv8的权重：https://github.com/ultralytics/assets/releases~~ + YOLOv8文档： https://v8docs.ultralytics.com/ + ~~YOLOv8 Python package源码库：https://test.pypi.org/simple/ultralytics/~~ ### 3.YOLOv5 Vs YOLOv8 + **YOLOv5** ![](docs/yolov5.png) 1. **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； 2. **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）； 3. **Head**：Coupled Head+Anchor-base，毫无疑问，YOLOv3、YOLOv4、YOLOv5、YOLOv7都是Anchor-Base的，后面会变吗？ 4. **Loss**：分类用BEC Loss，回归用CIoU Loss。 + **YOLOv8** ![](docs/yolov8.png) 具体改进如下： 1. **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； 2. **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； 3. **Decoupled-Head**：是不是嗅到了不一样的味道？是的，YOLOv8走向了Decoupled-Head； 4. **Anchor-Free**：YOLOv8抛弃了以往的Anchor-Base，使用了**Anchor-Free**的思想； 5. **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； 6. **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。 + **SPP Vs SPPF:** ![](docs/sppvs.png) ![](docs/SPP.png) ![](docs/SPPF.png) + **C3 Vs C2f:** ![](docs/c3.png) 针对C3模块，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了所谓的C3 Block，这里的CSP主分支梯度模块为BottleNeck模块，也就是所谓的残差模块。同时堆叠的个数由参数n来进行控制，也就是说不同规模的模型，n的值是有变化的。 其实这里的梯度流主分支，可以是任何之前你学习过的模块，比如，美团提出的YOLOv6中就是用来重参模块RepVGGBlock来替换BottleNeck Block来作为主要的梯度流分支，而百度提出的PP-YOLOE则是使用了RepResNet-Block来替换BottleNeck Block来作为主要的梯度流分支。而YOLOv7则是使用了ELAN Block来替换BottleNeck Block来作为主要的梯度流分支。 C3模块的Pytorch的实现如下： ```python class C3(nn.Module): # CSP Bottleneck with 3 convolutions def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion super().__init__() c_ = int(c2 * e) # hidden channels self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c1, c_, 1, 1) self.cv3 = Conv(2 * c_, c2, 1) # optional act=FReLU(c2) self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n))) def forward(self, x): return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1)) ``` ![](docs/c2f.png) C2f模块就是参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。 ![](docs/yolov7.png) C2f模块对应的Pytorch实现如下： ```python class C2f(nn.Module): # CSP Bottleneck with 2 convolutions def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion super().__init__() self.c = int(c2 * e) # hidden channels self.cv1 = Conv(c1, 2 * self.c, 1, 1) self.cv2 = Conv((2 + n) * self.c, c2, 1) # optional act=FReLU(c2) self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n)) def forward(self, x): y = list(self.cv1(x).split((self.c, self.c), 1)) y.extend(m(y[-1]) for m in self.m) return self.cv2(torch.cat(y, 1)) ``` + **PAN-FPN改进了什么？** YOLOv5的Neck部分的结构图如下： ![](docs/v5FPN.png) YOLOv6的Neck部分的结构图如下: ![](docs/v6FPN.png) YOLOv8的结构图： ![](docs/v8FPN.png) 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。 + **Head部分都变了什么呢？** 先看一下YOLOv5本身的Head（Coupled-Head）： ![](docs/v5head.png) 而YOLOv8则是使用了Decoupled-Head，回归头的通道数也变成了`4*reg_max`的形式： ![](docs/v8head.png) + **损失函数** 对于YOLOv8，其分类损失为VFL Loss，其回归损失为CIOU Loss+DFL的形式，这里Reg_max默认为16。 VFL主要改进是提出了非对称的加权操作，FL和QFL都是对称的。而非对称加权的思想来源于论文PISA，该论文指出首先正负样本有不平衡问题，即使在正样本中也存在不等权问题，因为mAP的计算是主正样本。 ![](docs/loss.png) q是label，正样本时候q为bbox和gt的IoU，负样本时候q=0，当为正样本时候其实没有采用FL，而是普通的BCE，只不过多了一个自适应IoU加权，用于突出主样本。而为负样本时候就是标准的FL了。可以明显发现VFL比QFL更加简单，主要特点是正负样本非对称加权、突出正样本为主样本。 针对这里的DFL（Distribution Focal Loss），其主要是将框的位置建模成一个 general distribution，让网络快速的聚焦于和目标位置距离近的位置的分布。 + **正负样本的匹配** 标签分配是目标检测非常重要的一环，在YOLOv5的早期版本中使用了MaxIOU作为标签分配方法。然而，在实践中发现直接使用边长比也可以达到一样的效果。而YOLOv8则是抛弃了Anchor-Base方法使用Anchor-Free方法，找到了一个替代边长比例的匹配方法: **TaskAligned**。为与NMS搭配，训练样例的Anchor分配需要满足以下两个规则： 1. 正常对齐的Anchor应当可以预测高分类得分，同时具有精确定位； 2. 不对齐的Anchor应当具有低分类得分，并在NMS阶段被抑制。 基于上述两个目标，TaskAligned设计了一个新的Anchor alignment metric 来在Anchor level 衡量Task-Alignment的水平。并且，Alignment metric 被集成在了 sample 分配和 loss function里来动态的优化每个 Anchor 的预测。 > Anchor alignment metric： 分类得分和 IoU表示了这两个任务的预测效果，所以，TaskAligned使用分类得分和IoU的高阶组合来衡量Task-Alignment的程度。使用下列的方式来对每个实例计算Anchor-level 的对齐程度： $$ t=s^{\alpha}+\mu^{\beta} $$ s 和 u 分别为分类得分和 IoU 值，α 和 β 为权重超参。从上边的公式可以看出来，t 可以同时控制分类得分和IoU 的优化来实现 Task-Alignment，可以引导网络动态的关注于高质量的Anchor。 > Training sample Assignment： 采用一种简单的分配规则选择训练样本：对每个实例，选择m个具有最大t值的Anchor作为正样本，选择其余的Anchor作为负样本。然后，通过损失函数(针对分类与定位的对齐而设计的损失函数)进行训练。 ### 4.YOLOv8环境安装 我们使用的是`ultralytics(8.0.0) python package`,其安装方式如下： ```shell #pip install -i https://test.pypi.org/simple/ --extra-index-url https://pypi.org/simple/ ultralytics==0.0.59 #pip install -e ultralytics pip install ultralytics ``` 你可以在`/usr/local/lib/pythonx.x/dist-packages/ultralytics `下找到安装包中的YOLOv8的源文件，进行魔改！ ### 5.构建自己的训练集 YOLOv8可以进行分类，检测和分割类任务的学习，我们以检测类任务为例，并训练YOLOv8s,其数据集的准备完全和YOLOv5,YOLOv6,YOLOv7的一致，可以参考我们之前的项目 + https://github.com/DataXujing/YOLO-v5 + https://github.com/DataXujing/YOLOv6 + https://github.com/DataXujing/YOLOv7 ### 6.构建自己训练集的配置文件和模型配置文件 + 模型配置文件： ```yaml #yolov8s.yaml # Parameters nc: 4 # number of classes depth_multiple: 0.33 # scales module repeats width_multiple: 0.50 # scales convolution channels # YOLOv8.0s backbone backbone: # [from, repeats, module, args] - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 6, C2f, [256, True]] - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [-1, 6, C2f, [512, True]] - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 - [-1, 3, C2f, [1024, True]] - [-1, 1, SPPF, [1024, 5]] # 9 # YOLOv8.0s head head: - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 6], 1, Concat, [1]] # cat backbone P4 - [-1, 3, C2f, [512]] # 13 - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 4], 1, Concat, [1]] # cat backbone P3 - [-1, 3, C2f, [256]] # 17 (P3/8-small) - [-1, 1, Conv, [256, 3, 2]] - [[-1, 12], 1, Concat, [1]] # cat head P4 - [-1, 3, C2f, [512]] # 20 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]] - [[-1, 9], 1, Concat, [1]] # cat head P5 - [-1, 3, C2f, [1024]] # 23 (P5/32-large) - [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5) ``` + 数据集配置文件 ```yaml #score_data.yaml # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] train: ./dataset/score/images/train # train images val: ./dataset/score/images/val # val images #test: ./dataset/score/images/test # test images (optional) # Classes names: 0: person 1: cat 2: dog 3: horse ``` + 训练超参数配置文件 我们对训练的超参数进行了简单的修改，通过命令行参数传入，也可以通过配置文件进行配置。 ```yaml task: "detect" # choices=['detect', 'segment', 'classify', 'init'] # init is a special case. Specify task to run. mode: "train" # choices=['train', 'val', 'predict'] # mode to run task in. # Train settings ------------------------------------------------------------------------------------------------------- model: null # i.e. yolov8n.pt, yolov8n.yaml. Path to model file data: null # i.e. coco128.yaml. Path to data file epochs: 100 # number of epochs to train for patience: 50 # TODO: epochs to wait for no observable improvement for early stopping of training batch: 16 # number of images per batch imgsz: 640 # size of input images save: True # save checkpoints cache: False # True/ram, disk or False. Use cache for data loading device: '' # cuda device, i.e. 0 or 0,1,2,3 or cpu. Device to run on workers: 8 # number of worker threads for data loading project: null # project name name: null # experiment name exist_ok: False # whether to overwrite existing experiment pretrained: False # whether to use a pretrained model optimizer: 'SGD' # optimizer to use, choices=['SGD', 'Adam', 'AdamW', 'RMSProp'] ... ``` ### 7.YOLOv8目标检测任务训练 ```shell yolo task=detect mode=train model=yolov8s.yaml data=score_data.yaml epochs=100 batch=64 imgsz=640 pretrained=False optimizer=SGD ``` ![](docs/train_log1.png) ![](docs/PR_curve.png) ### 8.YOLOv8推断Demo ```shell # 自己实现的推断程序 python3 inference.py ``` | ![](docs/bus.jpg) | ![](docs/cat1.jpg) | | ------------------ | -------------------- | | ![](docs/dog1.jpg) | ![](docs/zidane.jpg) | ### 9.YOLOv8端到端模TensorRT模型加速 1. pth模型转onnx ```shell #CLI yolo task=detect mode=export model=./runs/detect/train/weights/last.pt format=onnx simplify=True opset=13 # python from ultralytics import YOLO model = YOLO("./runs/detect/train/weights/last.pt ") # load a pretrained YOLOv8n model model.export(format="onnx") # export the model to ONNX format ``` 2. 增加NMS Plugin 执行`tensorrt/`下的如下代码，添加NMS到YOLOv8模型 + 添加后处理 ```shell python3 yolov8_add_postprocess.py ``` + 添加NMS plugin ```shell python3 yolov8_add_nms.py ``` 生成`last_1_nms.onnx`,打开该文件对比和原onnx文件的区别，发现增加了如下节点(完成了将NMS添加到onnx的目的）： ![](docs/nms.png) 3. onnx转trt engine ```shell trtexec --onnx=last_1_nms.onnx --saveEngine=yolov8s.plan --workspace=3000 --verbose ``` ![](docs/trt.png) 出现上述界面，onnx正常序列化为TRT engine. 4. TRT C++推断 在win 10下基于RTX 1060 TensorRT 8.2.1进行测试，我们的开发环境是VS2017,**所有C++代码已经存放在`tensorrt/`文件夹下**。其推断结果如下图所示（可以发现我们实现了YOLOv8的TensorRT端到端的推断，其推断结果与原训练框架保持一致）： | ![](tensorrt/yolov8/yolov8/res/bus.jpg) | ![](tensorrt/yolov8/yolov8/res/cat1.jpg) | | ---------------------------------------- | ------------------------------------------ | | ![](tensorrt/yolov8/yolov8/res/dog1.jpg) | ![](tensorrt/yolov8/yolov8/res/zidane.jpg) | ### 9.YOLOv8端到端华为昇腾模型推断加速 > 由于其他原因，该部分代码不开源。 这一部分我们将在华为昇腾下测试如何端到端实现YOLOv8的推断，华为昇腾目前支持的算子还是很有限的，onnx的NMS算子华为昇腾是支持的，因此我们需要将onnx的NMS算子添加到YOLOv8的onnx文件中，并将模型转化到昇腾架构下运行。这部分代码我们存放在`Ascend/`下。 1. pth转onnx 2. 增加onnx NMS算子结点 3. ATC转.om模型 4. 华为昇腾C++推断 ### 10. QT + NCNN 小米手机端部署YOLOv8s ### 参考文献： + https://github.com/ultralytics/ultralytics + https://mp.weixin.qq.com/s/_OvSTQZlb5jKti0JnIy0tQ + https://github.com/ultralytics/assets/releases + https://v8docs.ultralytics.com/ + https://pypi.org/project/ultralytics/0.0.44/#description + https://mp.weixin.qq.com/s/-4pn--3kFI_J1oX6p5GWVQ + https://github.com/uyolo1314/ultralytics