[论文解读] What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector

Muhammad Yaseen|arXiv (Cornell University)|Aug 28, 2024

Advanced Neural Network Applications被引用 24

一句话总结

本论文分析YOLOv8的架构、训练技术，以及相对于YOLOv5的性能改进，强调其无锚点设计、CSPNet骨干、FPN+PAN颈部，以及在COCO和Roboflow 100等基准测试中的开发者友好工具。

ABSTRACT

This study presents a detailed analysis of the YOLOv8 object detection model, focusing on its architecture, training techniques, and performance improvements over previous iterations like YOLOv5. Key innovations, including the CSPNet backbone for enhanced feature extraction, the FPN+PAN neck for superior multi-scale object detection, and the transition to an anchor-free approach, are thoroughly examined. The paper reviews YOLOv8's performance across benchmarks like Microsoft COCO and Roboflow 100, highlighting its high accuracy and real-time capabilities across diverse hardware platforms. Additionally, the study explores YOLOv8's developer-friendly enhancements, such as its unified Python package and CLI, which streamline model training and deployment. Overall, this research positions YOLOv8 as a state-of-the-art solution in the evolving object detection field.

研究动机与目标

• 评估YOLOv8相对于最先进检测器的性能，包括YOLOv5。
• 评估架构创新（CSPNet骨干、FPN+PAN颈部）对精度和多尺度检测的影响。
• 考察无锚框预测和训练增强的好处。
• 分析面向开发者的特性（统一Python包和CLI）在培训与部署中的作用。
• 在COCO和Roboflow 100数据集上对YOLOv8进行基准测试，并在不同模型尺寸之间进行比较。

提出的方法

• 描述YOLOv8的架构组件（骨干、颈部、头部）以及向无锚点方法的转变。
• 总结训练方法，包括马赛克/混合增强、焦点损失、混合精度训练，以及PyTorch优化。
• 详细的数据增强技术和损失组件（焦点损失、IoU损失、目标性损失）。
• 展示模型族变体以及它们的参数数量、速度和精度指标。
• 使用基准测试中报道的指标，将YOLOv8与YOLOv5进行比较。

Figure 1: Process of Object Detection [ 13 ]

实验结果

研究问题

• RQ1 CSPNet骨干和增强的FPN+PAN颈部如何影响YOLOv8中的特征提取和多尺度检测？
• RQ2 在标准基准测试中，YOLOv8在精度和速度上对YOLOv5的性能提升？
• RQ3 无锚点边界框和先进数据增强如何提升检测鲁棒性？
• RQ4 面向开发者的工具（Python包、CLI）对训练与部署效率的实际影响？

主要发现

指标	YOLOv5	YOLOv8	table_headers_translated_needed_and_kept?or_note
mAP@0.5	50.5%	55.2%
Inference Time	30 ms/image	25 ms/image
Training Time	12 hours	10 hours
Model Size	14 MB	12 MB

• YOLOv8在mAP@0.5上高于YOLOv5（55.2% vs 50.5%）。
• YOLOv8在推理时间上更快（25 ms/image），优于YOLOv5（30 ms/image）。
• YOLOv8缩短了训练时间（10 hours vs 12 hours for YOLOv5）。
• YOLOv8模型尺寸更小（12 MB vs 14 MB for YOLOv5）。
• 论文记录了五种YOLOv8变体（n, s, m, l, x）随精度和参数量增加，适用于不同硬件约束。

Figure 2: Model Structure of Yolov8 [ 14 ]