• 🍨 本文为🔗365天深度学习训练营中的学习记录博客
• 🍖 原作者：K同学啊

本周任务：根据yolov8n、yolov8s模型的结构输出，手写出yolov8l的模型输出、

文件位置：./ultralytics/cfg/models/v8/yolov8.yaml

一、参数配置

Parameters：

nc：类别数量，即模型可以识别的物体类别数

scales：包含了不同模型配置的尺度参数，用于调整模型的规模，通过尺度参数就可以实现不同复杂度的模型设计。yolov8n、yolov8s、yolov8m、yolov8l、yolov8x五种模型只在depth、width与max_channels这三个参数上有区别。

        ·depth：深度，控制子模块数量，=int（number*depth）

        ·width：宽度，控制卷积核的数量，=int（number*width）

        ·max_channels：最大通道数

yolov8五种模型性能的详细参数如下表所示：

 二、模型整体结构

1.Backbone模块

每一个模块是一行，每行由四个参数构成。

        ·from：表示当前模块的输入来自那一层的输出，-1表示来自上一层输出，层编号由0开始计数

        ·repeats：表示当前模块的理论重复次数，实际的重复次数还要由上面的参数depth_multiple共同决定，该参数影响整体网络模型的深度

        ·module：模块类名，通过这个类名在common.py中寻找相应的类，进行模块化搭建网络

        ·args：一个list，模块搭建所需参数，channel，kernel_size，stride，padding，bias等

2.head模块

数据格式与backbone一致

3.模型结构输出

注意：结合参数配置中depth、width与max_channels三个参数对比模型结构输出的异同

yolov8n.yaml

yolov8s.yaml

任务：

回答：

yolov8l.yaml

三、总结

每一个模块都要好好学习，学了发现没有想象中的难了，本来不太理解的模型输出，靠着deepseek和以前资料也搞懂了。果然之前的东西还是得常看，许久不看就容易忘记。