一、yolov5网络结构图：

架构特点：

CBS模块+C3模块+SPPF模块。

CBS = Conv + BN + SiLU

C3：3个Conv，输入特征图一条分支先经过Conv1，再经过Bottleneck，得到子特征图1；另一分支经过Conv2后得到子特征图2。最后将子特征图1和子特征图2拼接后输入Conv3得到C3层的输出，如下图所示。

SPPF：经过CBS，以及连续三次最大池化的结果先进行拼接，然后再到CBS提取特征。相比于原来的SPP，运行速度提高一倍多。

PAN-FPN，双向的FPN，其中多为CBS和C3模块。这样结合操作，FPN层自顶向下传达强语义特征（High-Level特征），而特征金字塔则自底向上传达强定位特征（Low-Level特征），从不同的主干层对不同的检测层进行特征聚合。

非解耦head，把目标分类和检测框坐标回归放在一个向量中，作为网络的输出。

静态分配策略。

置信度损失和分类损失用BCE Loss，回归用CIOU Loss。

BCE Loss：二分类交叉熵损失，适用于二分类的任务，（手，左手，右手不互斥）

CIOU Loss：如果A、B的重叠区域较小，则宽高比在损失函数中影响较小，此时着重优化A、B的距离；

如果A、B的重叠区域较大，则宽高比在损失函数中影响也较大，此时着重优化A、B的宽高比。

二、yolov8网络结构图：

架构特点：

1.Backbone

相同：使用CBS，并且使用SPPF模块。

不同：将C3模块替换为C2f模块。

CBS模块+C2f模块+SPPF模块。

C2f参考了densenet，增加了更多的跳层连接，取消了分支中的卷积操作，并且增加了额外的split操作，让特征信息更丰富的同时，减少计算量，保证了两者兼顾。

2.Neck

PAN-FPN双流的FPN，（其中多为CBS和C3模块）。

相同：PAN的思想，（自上而下+自下而上）。

不同：删除了YOLOv5中PAN-FPN上采样的CBS 1*1,将C3模块替换为C2f模块。

3.Head

解耦Head结构，将各个分类任务进行解耦，单独的去预测，不再是单纯的共享前一层参数将分类和检测头分离

4.正负样本分配策略

采用了TAL(Task Alignment Learning)动态匹配。

5. Loss

相同：分类损失依然采用 BCE Loss

不同：

(1)舍去物体的置信度损失；

(2)回归分支loss: CIOU loss + DFL Loss

DFL Loss： 以交叉熵的形式，去优化与标签y最接近的一左一右（yi，yi+1）2个位置的概率，从而让网络更快的聚焦到目标位置及邻近区域的分布。