Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)

您所在的位置：网站首页 › 代码的结构是什么意思 › Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)

Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)

2024-07-12 07:54| 来源: 网络整理| 查看: 265

YOLO V8网络结构

由于作者之前的Yolov8 复现受到了部分好评，所以决定继续从小白学习路线，进行复现代码，磕代码，学理论知识。代码复现：

完整且详细的Yolov8复现+训练自己的数据集_咕哥的博客-CSDN博客https://blog.csdn.net/chenhaogu/article/details/131161374?spm=1001.2014.3001.5501（若觉得简单易上手，创作不易，请点赞收藏，谢谢大家！）

提示：若只想关注代码讲解，直接从代码讲解部分看即可。作者初衷为“拆封装，看本质，换自己”，在了解核心代码后，用自己的方式重写没有封装的网络结构。

文章目录一、主体网络结构二、head总结

一、主体网络结构 1、Backbone：主体是CSPDarkNet结构。

yolov5和yolov8主体都是该结构，yolov5主要体现思想的结构是c3模块；yolov8主要体现思想的是c2f模块。

2、CSPnet（Cross Stage Partial）：

想要更细致了解的可看知乎一位博主的介绍，非常详细。

CSPNet——PyTorch实现CSPDenseNet和CSPResNeXt - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/263555330

总体来说是参考了DenesNet，减少了计算量和增强梯度（不了解DenesNet的同学可以再csdn或者知乎都可以搜到相关论文，若想节省时间简略了解，可加上讲解等字眼。）。可描述为一部分进入卷积网络进行计算，一部分保留最后concat。而在中间过程也有restnet的思想。用一句名言总结莫过于：大肠包小肠。

3、Partial Transition Layer：

对比这四种结构，发现各有其优点。图a是传统的密集型网络思想。图b是图c和图d的综合考虑。图c是part1和part2的大量特征信息最终得以使用，图d这是对一部分进行利用，计算量得以缩小。

4、代码讲解：（1）网络结构：

（2）网络模型文件保存在models->v8->yolov8.yaml # YOLOv8.0n 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

from：输入。-1表示上层的输出作为本层的输入。

repeats：模块的重复次数。

module：使用的模块。

args：模块里面的参数

计算size的公式：out_size =（ in_size - k +2 * p）/ s + 1

(3)卷积的代码（nn->modules->conv.py） def autopad(k, p=None, d=1): # kernel, padding, dilation """Pad to 'same' shape outputs.""" if d > 1: k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k] # actual kernel-size if p is None: p = k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-pad return p class Conv(nn.Module): """Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation).""" default_act = nn.SiLU() # default activation def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True): """Initialize Conv layer with given arguments including activation.""" super().__init__() self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False) self.bn = nn.BatchNorm2d(c2) self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity() def forward(self, x): """Apply convolution, batch normalization and activation to input tensor.""" return self.act(self.bn(self.conv(x))) def forward_fuse(self, x): """Perform transposed convolution of 2D data.""" return self.act(self.conv(x))

conv（x）-> bn() -> SiLU()

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

（4）开始进入核心模块c2f，代码在（nn->modules->block.py） 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): """Forward pass through C2f layer.""" y = list(self.cv1(x).chunk(2, 1)) y.extend(m(y[-1]) for m in self.m) return self.cv2(torch.cat(y, 1)) def forward_split(self, x): """Forward pass using split() instead of chunk().""" 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))

[-1, 3, C2f, [128, True]]： 3：重复3次C2f； True:Bottleneck有shortcut

难懂代码在于：

self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))

n：表示n个bottleneck，假设3个，rang(3) -> m:[Bottleneck,Bottleneck;Bottleneck],m此时相当于一个集成的模块。

可以看到三个通道参数，c1=输入通道数；c2=输出通道数；c=0.5*输出通道数；下面是假设输入为[2,128,160,160]各个块的参数。

x先经过cv1 ;

接着开始不同维度的分块，torch.chunk(块数，维度），这里chunk（2，1）是第一维度分成两块；

m(y[-1]) for m in self.m：意思是把第二块放进n个Bottleneck里,等价于：

##举例对比 m(y[-1]) for m in self.m x*x for x in range(3) => for m in self.m: for x in range(3): m(y[-1]) print(x*x) ##流程，假设3个Bottleneck Bottleneck0->m m(y[-1]);y.extend加上去 0 -> x -> 0*0=0 Bottleneck1->m m(y[-1]);y.extend加上去 1 -> x -> 1*1=1 Bottleneck2->m m(y[-1]);y.extend加上去 2 -> x -> 2*2=4 y=[Bottleneck0处理过的第二部分， Bottleneck1处理过的第二部分， Bottleneck2处理过的第二部分]

因此，y变成2+n块；

torch.cat(y, 1) 将y的第一维度拼接在一起（因为上面chnk是在第一维度分割）；

最后经过cv2, featuremap.size 128*160*160。

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

经过一层Conv

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

经过6*C2f，这一层后开始进入常见金字塔型结构连接检测头，检测头部份后面再细讲

C2F部分讲解和上面一致，这次是6个重复模块。

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

第4层（C2f）* 6 channel：256 size： 80*80

经过一层Conv

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

第4层（C2f）* 6 channel：256 size： 80*80

第5层（Conv[3,2,1]） channel：512 size： 40*40

经过6*C2f

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

第4层（C2f）* 6 channel：256 size： 80*80

第5层（Conv[3,2,1]） channel：512 size： 40*40

第6层（C2f）* 6 channel：512 size： 40*40

经过一层Conv

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

第4层（C2f）* 6 channel：256 size： 80*80

第5层（Conv[3,2,1]） channel：512 size： 40*40

第6层（C2f）* 6 channel：512 size： 40*40

第7层（Conv[3,2,1]） channel：512 size： 20*20

经过3*C2f

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

第4层（C2f）* 6 channel：256 size： 80*80

第5层（Conv[3,2,1]） channel：512 size： 40*40

第6层（C2f）* 6 channel：512 size： 40*40

第7层（Conv[3,2,1]） channel：512 size： 20*20

第8层（C2f）* 3 channel：512 size： 20*20

（6）SPPF，代码在（nn->modules->block.py）

imput map channel：3 size：640*640

第0层（Conv[3,2,1]) channel：64 size：320*320

第1层（Conv[3,2,1]） channel：128 size：160*160

第2层（C2f）* 3 channel：128 size：160*160

第3层（Conv[3,2,1]） channel：256 size： 80*80

第4层（C2f）* 6 channel：256 size： 80*80

第5层（Conv[3,2,1]） channel：512 size： 40*40

第6层（C2f）* 6 channel：512 size： 40*40

第7层（Conv[3,2,1]） channel：1024 size： 20*20

第8层（C2f）* 3 channel：1024 size： 20*20

第9层（SPPF[k=5]） channel：1024 size： 20*20

代码：

class SPPF(nn.Module): """Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher.""" def __init__(self, c1, c2, k=5): # equivalent to SPP(k=(5, 9, 13)) super().__init__() c_ = c1 // 2 # hidden channels self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c_ * 4, c2, 1, 1) self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2) def forward(self, x): """Forward pass through Ghost Convolution block.""" x = self.cv1(x) y1 = self.m(x) y2 = self.m(y1) return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))

maxpool的计算公式：

二、Head 1、已经讲解完backbone，下面讲解一下检测头部分

代码如下：（代码在ultralytics -> models -> v8 ->yolov8.yaml）

# YOLOv8.0n head head: - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 6], 1, Concat, [1]] # cat backbone P4 - [-1, 3, C2f, [512]] # 12 - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 4], 1, Concat, [1]] # cat backbone P3 - [-1, 3, C2f, [256]] # 15 (P3/8-small) - [-1, 1, Conv, [256, 3, 2]] - [[-1, 12], 1, Concat, [1]] # cat head P4 - [-1, 3, C2f, [512]] # 18 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]] - [[-1, 9], 1, Concat, [1]] # cat head P5 - [-1, 3, C2f, [1024]] # 21 (P5/32-large) - [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5) （1）第10层：经过SSPF的模块，接着进入上采样upsample。 None：不指定输出尺寸。 2：输出的尺寸为输入尺寸的2倍。 nearest：使用邻近插值算法。经过上采样后尺寸从1024*20*20 -> 1024*40*40。

经过路线如图所示：

（2）第11层：Concat模块，与经过上采样的上一层和第六层（P4）concat。（代码在：ultralytics -> nn -> modules-> _init_.py）

[1]：在维度为1上拼接；

此时经过上采样的尺寸为1024*40*40 + 第6层输出尺寸为512*40*40 = 1536*40*40。

class Concat(nn.Module): """Concatenate a list of tensors along dimension.""" def __init__(self, dimension=1): """Concatenates a list of tensors along a specified dimension.""" super().__init__() self.d = dimension def forward(self, x): """Forward pass for the YOLOv8 mask Proto module.""" return torch.cat(x, self.d)

进过的路线如下图所示：

（3）第12层：3*C2f；通道数为512，不进行shortcut。此时尺寸从1536*40*40 -> 512*40*40 （4）第13层：upsample，第12层作为输入。与第10层原理一样。尺寸从512*40*40 -> 512*80*80 （5）第14层：Concat模块，与经过上采样的上一层（13层）和第四层（P3）连接。

此时经过上采样的尺寸为512*80*80 + 第4层输出尺寸为256*80*80 = 768*80*80。

经过路线如图所示：

（6）第15层： 3*C2f；通道数为256，不进行shortcut。此时尺寸从768*80*80 -> 256*80*80。

经过路线如图所示：

（7）第16层：经过卷积Conv，通道256，k=3，s=2，计算公式上面介绍过。256*80*80 -> 256*40*40.

经过路线如图所示：

（8）第17层：Concat模块，与经过卷积的16和第12层连接。

16层：256*40*40 + 第12层：512*40*40 = 768*40*40。

经过路线如图所示：

（9）第18层： 3*C2f；通道数为512，不进行shortcut。此时尺寸从768*40*40 -> 512*40*40。

经过路线如图所示：

(10) 第19层：经过卷积Conv，通道512，k=3，s=2，计算公式上面介绍过。512*40*40 -> 512*20*20.

经过路线如图所示：

（11）第20层：Concat模块，与经过卷积的19和第9层连接。 [[-1, 9], 1, Concat, [1]]

19层：512*20*20 + 第9层：1024*20*20 = 1536*20*20。

经过路线如图所示：

（12）第21层： 3*C2f；通道数为1024，不进行shortcut。尺寸变化：1536*20*20 -> 1024*20*20

经过路线如图所示：

至此，已经经过所有的head部分，下面进入detect。

三、Detect 1、第22层

代码如下：

[[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)

class Detect(nn.Module): """YOLOv8 Detect head for detection models.""" dynamic = False # force grid reconstruction export = False # export mode shape = None anchors = torch.empty(0) # init strides = torch.empty(0) # init def __init__(self, nc=80, ch=()): # detection layer super().__init__() self.nc = nc # number of classes self.nl = len(ch) # number of detection layers self.reg_max = 16 # DFL channels (ch[0] // 16 to scale 4/8/12/16/20 for n/s/m/l/x) self.no = nc + self.reg_max * 4 # number of outputs per anchor self.stride = torch.zeros(self.nl) # strides computed during build c2, c3 = max((16, ch[0] // 4, self.reg_max * 4)), max(ch[0], self.nc) # channels self.cv2 = nn.ModuleList( nn.Sequential(Conv(x, c2, 3), Conv(c2, c2, 3), nn.Conv2d(c2, 4 * self.reg_max, 1)) for x in ch) self.cv3 = nn.ModuleList(nn.Sequential(Conv(x, c3, 3), Conv(c3, c3, 3), nn.Conv2d(c3, self.nc, 1)) for x in ch) self.dfl = DFL(self.reg_max) if self.reg_max > 1 else nn.Identity() def forward(self, x): """Concatenates and returns predicted bounding boxes and class probabilities.""" shape = x[0].shape # BCHW for i in range(self.nl): x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1) if self.training: return x elif self.dynamic or self.shape != shape: self.anchors, self.strides = (x.transpose(0, 1) for x in make_anchors(x, self.stride, 0.5)) self.shape = shape x_cat = torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2) if self.export and self.format in ('saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs'): # avoid TF FlexSplitV ops box = x_cat[:, :self.reg_max * 4] cls = x_cat[:, self.reg_max * 4:] else: box, cls = x_cat.split((self.reg_max * 4, self.nc), 1) dbox = dist2bbox(self.dfl(box), self.anchors.unsqueeze(0), xywh=True, dim=1) * self.strides y = torch.cat((dbox, cls.sigmoid()), 1) return y if self.export else (y, x) def bias_init(self): """Initialize Detect() biases, WARNING: requires stride availability.""" m = self # self.model[-1] # Detect() module # cf = torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlength=nc) + 1 # ncf = math.log(0.6 / (m.nc - 0.999999)) if cf is None else torch.log(cf / cf.sum()) # nominal class frequency for a, b, s in zip(m.cv2, m.cv3, m.stride): # from a[-1].bias.data[:] = 1.0 # box b[-1].bias.data[:m.nc] = math.log(5 / m.nc / (640 / s) ** 2) # cls (.01 objects, 80 classes, 640 img)

接下来的讲解参考博主，大家也可以去看这位博主写的。yolov8的Detect层详解(输出维度改动)_银嘉诚的博客-CSDN博客对于部署端需要拿到onnx的output进行后处理，但是基于anchor_free的yolov8输出是1*(4+cls)*8400，不是我们常见的ncwh格式，所以对Detect层进行了学习，分享一下体会。https://blog.csdn.net/yjcccccc/article/details/130261153?ops_request_misc=&request_id=&biz_id=102&utm_term=yolov8%E7%9A%84detect%E6%A8%A1%E5%9D%97&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-130261153.nonecase&spm=1018.2226.3001.4187

先看初始化的参数：

nc: 类别数； nl: 检测模型中所使用的检测层数； reg_max: 每个锚点输出的通道数； no: 每个锚点的输出数量，其中包括类别数和位置信息； stride: 一个形状为(nl,）的张量，表示每个检测层的步长； cv2: 一个 nn.ModuleList 对象，包含多个卷积层，用于预测每个锚点的位置信息； cv3: 一个 nn.ModuleList 对象，包含多个卷积层，用于预测每个锚点的类别信息； dfl: 一个 DFL（Differentiable Feature Localization）类对象，用于应用可微分几何变换，以更好地对目标框进行回归；（代码后面会介绍） shape属性表示模型期望的输入形状，如果模型只接受固定形状的输入，则 self.shape 存储该形状

前向函数：

（1）shape=x的shape，即 batch，channel，h，w

shape = x[0].shape # BCHW

（2）

for i in range(self.nl): x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)

假设输入的图：3*640*640； ch是元组，nl是这个元组的长度。

x[0]= cv2[0][x[0]] + cv3[0]x[0] (后面的1表示第一维度拼接)；

那么cv2[0]为 Conv(x, c2, 3)，cv3[0]为Conv(x, c3, 3)

描点的输出计算方式：self.no = nc + self.reg_max * 4，假设80类，self.no=80+4*16=144；

那么输出的三个特征图应该分别是1*144*80*80（640/8）、1*144*40*40（640/16）和1*144*20*20（640/32）；

后面请大家参考上面那位博主，他写的足够好了，大家可以给他点赞收藏。

总结

以上就是今天要讲的内容，本文仅仅简单介绍了源码结构，后面还会持续更新讲解，由于这次写的太多了，怕大家看不过来。过段时间继续拆封代码并尝试用常见的pytorch原始框架复现缩减版yolov8。也许上面还有很多错误，欢迎大家指正！！！

【本文地址】

Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)

Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)

今日新闻

推荐新闻