从这一节开始，我们将学习 YOLOv8 这一目标检测模型。你可以在 Ultralytics 仓库中找到源代码。

在卷积神经网络中，通常将模型分为两到三个部分：Backbone、Neck 和 Head。

• Backbone（骨干网络）负责从输入图像中提取特征，将图像转化为具有丰富语义信息的特征表示；
• Neck（颈部、连接部）是中间层，用于对来自 Backbone 的特征进行融合，以提升模型的性能；
• Head（任务头）是模型的最后一层，其结构会根据不同的任务而有所不同。例如，在图像分类任务中，我们通常会使用 softmax 分类器作为 Head，而在目标检测任务中，我们则可能会使用边界框回归器和分类器作为 Head。

YOLO 系列模型和 SSD 一样都是单阶段检测器。不同的是，YOLOv8 相对于 SSD 来说更加庞大、复杂。

在正式开始之前，我们先看一下 YOLOv8 的整体结构：

一眼看上去的确很复杂，但是我们仔细观察，发现 YOLOv8 和我们学习过的经典卷积神经网络一样，只是Conv C2f Bottleneck SPPF Detect 等网络组件的堆叠为 Backbone 和 Head 两部分（YOLOv8 没有 Neck）。

图的上部为 YOLOv8 架构的概要图，包括 Backbone 和 Head。

图的中间靠右 Details 部分为主要网络组件的详细架构，以及不同尺寸模型的参数选择。

图左和图下部以分步形式列出了完整的数据流，每个框右上角的数字为层的编号。可以看出第 0 到 9 层为 Backbone，第 10 到 21 层为 Head。

1 主要网络组件

1.1 Conv

标准卷积操作。先执行二维卷积，然后再进行批量归一化，最后使用 SiLU 激活函数。

你可以在路径 ultralytics/nn/modules/conv.py 找到原始实现Conv。

1.2 Bottleneck

结构非常简单，为两个卷积层，外加一个是否为残差网络的标记shortcut。

你可以在路径 ultralytics/nn/modules/block.py 找到原始实现Bottleneck。

1.3 C2f

包含一个 1×1 卷积层、两个带shortcut参数的 Bottleneck 层，连接后再做一个 1×1 卷积层。

你可以在路径 ultralytics/nn/modules/block.py 找到原始实现C2f。

1.4 SPPF

快速空间金字塔池化。通过在特征图上执行不同大小的池化操作，并将结果进行整合，从而得到固定尺寸的输出。这种技术可以有效地处理尺寸变化多样的目标，从而提高了神经网络的泛化能力和鲁棒性。

该部分由一个 1×1 卷积层、三个 5×5 最大池化层连接后，再进行 1×1 卷积。

你可以在路径 ultralytics/nn/modules/block.py 找到原始实现SPPF。

1.5 Detect

YOLOv8 的检测头。每个检测头包含两个 Conv + Conv + nn.Conv2d 分支，分别预测边界框和分类。

你可以在路径 ultralytics/nn/modules/head.py 找到原始实现Detect。

2 Backbone

YOLOv8 的 Backbone 见图中左侧第 0 到 9 层。分别为

• Conv + Conv + C2f；
• Conv + C2f；
• Conv + C2f；
• Conv + C2f + SPPF；

Conv层使用步长为 2、填充为 1 的 3×3 卷积核进行空间下采样，每次卷积使图像宽高减半，通道数翻倍。根据不同的尺寸的模型，通道数量有所不同，会乘系数w和r。例如对于 YOLOv8s 尺寸的模型，查表可知其w为 0.5，r为2.0，因此其第 3 层卷积层输出的通道数量为 $128 \times 0.5 = 64$，而对于第 7 层卷积层输出的通道数量为 $512 \times 0.5 \times 2.0 = 512$。

• 第 4 层C2f层输出对应特征金字塔 P3 层，适用于小目标的处理；
• 第 6 层C2f层输出对应特征金字塔 P4 层，适用于中等目标的处理；
• 第 9 层SPPF层的输出对应特征金字塔 P5 层，适用于大目标的处理。

这三层的输出特征图将直接传递给 Head 部分的检测头，用于不同尺度下的目标检测任务。

3 Head

YOLOv8 Head 部分的概览见结构图上部，详细结构在右下部分。

YOLOv8 引入了 PAN-FPN 作为其特征金字塔网络，进一步增强其多尺度特征的表示能力。

PAN 和 FPN

特征金字塔网络（Feature Pyramid Network，FPN）负责构建从底层到高层的多尺度特征图，即第 10 层到 15 层。FPN 从深层特征开始，逐层向上采样。每一层的上采样特征与相应的低层特征进行融合，以补充空间信息、增强语义信息。

路径聚合网络（Path Aggregation Network，PAN）是在 FPN 的基础上，进一步增强特征金字塔网络的结构，即第 16 到 21 层。PAN 从底层特征开始，逐层向上传递特征。每一层的特征图通过自底向上的路径与高层特征图进行融合，确保每一层的特征都包含不同尺度的信息。

在 Backbone 中，第 4 层、第 6 层、第 9 层将特征图输入 Head 中进行处理，我们分别称为：

• L4：来自第 4 层特征图（80×80）；
• L6：来自第 6 层特征图（40×40）；
• L9：来自第 9 层特征图（20×20）。

L4、L6、L9 的处理在 PAN 中分为三步：

1. 上采样 L9

第 10 层将 L9 上采样两倍，得到 L10（40×40）；

第 11 层将相同尺寸的 L10 与 L6 融合，得到 L11（40×40）。

2. 上采样 L11

L11 经过第 12 层C2f处理后，再上采样两倍，得到 L13（80×80）；

第 14 层将相同尺寸的 L13 与 L4 融合，得到 L14（80×80）。

3. L14 处理 L14 经过第 15 层C2f处理后，得到 L15（80×80）。

处理得到的 L15 不经过其他处理，作为大尺寸特征图直接送入 Detect 模块中检测。

然后 L15、L12、L9 将送入 FPN 网络中处理：

1. L15 下采样

L15 经过第 16 层卷积层下采样，宽高减半，得到 L16（40×40）；

第 17 层将相同尺寸的 L16 和 L12 融合，得到 L17（40×40）。

2. L17 下采样

L17 先在第 18 层进行一次C2f处理，得到 L18（40×40），L18 将作为中等尺寸特征图送入 Detect 处理。

L18 经过第 19 层卷积层下采样，宽高减半，得到 L19（20×20）。

3. L19 处理

第 20 层将相同尺寸的 L19 和 L9 融合，得到 L20（20×20）；

L20 经过第 21 层C2f处理，得到 L21（20×20），L21 将作为小尺寸特征图送入 Detect 处理。

总结，Head 从 Backbone 中接收 L4、L6、L9 三种大、中、小尺寸的特征图，进行 PAN 和 FPN 处理后，得到大、中、小三种尺寸的特征图 L15、L18、L19 分别进行检测。