YOLOv8版本升级支持小目标检测与高分辨率图像输入

OpenCV学堂 2023-05-15 17:41

【50份好礼】首发直播：解密Keysight最新模拟信号源 【有奖直播】提升毫米波信号测试精度

点击上方蓝字关注我们

微信公众号：OpenCV学堂
关注获取更多计算机视觉与深度学习知识

YOLOv8对象检测模型结构

YOLOv8版本最近版本又更新了，除了支持姿态评估以外，通过模型结构的修改还支持了小目标检测与高分辨率图像检测。原始的YOLOv8模型结构如下：

YOLOv8小目标检测模型

正常的YOLOv8对象检测模型输出层是P3、P4、P5三个输出层，为了提升对小目标的检测能力，新版本的YOLOv8 已经包含了P2层，有四个输出层。Backbone部分的结果没有改变，但是Neck跟Header部分模型结构调整如下：

通过这样的模型结构调整，加强YOLOv8对小目标的检测能力。

YOLOv8实例分割C++推理演示

为了提升对高分辨率图像的支持，YOLOv8同时改进了输入分辨率、Backbone、Neck与Header部分，这些部分的改动对比正常的YOLOv8对象检测主要有：

输入分辨率：640x640 => 1280x1280BackBone: 加入了两层，从9层变为11层、降采用至64倍！Neck部分：多层上采用，从2层变为3层Head部分：输出层从P3、P4、P5变为P3、P4、P5、P6

图示如下：

如何训练使用它们

model=yolov8n.ymal 使用正常版本model=yolov8n-p2.ymal 小目标检测版本model=yolov8n-p6.ymal 高分辨率版本

YOLOv8是YOLO系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了YOLOv5、YOLOv6、YOLOX等模型的设计优点，全面提升改进YOLOv5的模型结构基础上实现同时保持了YOLOv5工程化简洁易用的优势。

YOLOv8视频课程

详解YOLOv8模型结构从Backone、Neck、Header、Loss层面全面对比YOLOv5，详解YOLOv8相比YOLOX、YOLOv5、YOLOv6的全面改进与创新。完成YOLOv8自定义数据的对象检测，实例分割、自定义对象跟踪，YOLOv8在主流推理平台上部署包括 OpenVINO、TensorRT 、ONNXRUNTIME、OpenCV DNN上推理代码详解与演示。打通从模型结构理论到工程实践训练部署整个流程。彻底理解与玩转YOLOv8。

扫码查看课程目录与章节安排