[Object detection] YOLOv8.yaml詳細說明

12 min readJan 24, 2024

在前兩篇介紹如何訓練yolov8和整體架構詳解後，我們要來介紹yolov8的參數檔。yolov8.yaml可在此連結下載

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

nc：數據集類別數

scales：不同尺寸的模型大小

Backbone

# 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, repeats, module, args]
from：來源，也就是輸入。-1代表將上層得輸入作為本層的輸出
repeats：重複次數
module：名稱
args：參數

第0層：[-1, 1, Conv, [64, 3, 2]] # 0-P1/2

-1代表將上層的輸入作為本層的輸入。輸入的是640*640*3的影像。

Conv代表卷積層，對應的參數：64代表輸出通道數，3代表卷積核大小k，2代表stride步長。

以下是Conv的程式碼

從autopad所定義可看出，當k=3時，p=1，所以第0層的卷積 f_in=640，cout = 64，k=3，s=2，p=1

輸出的特徵圖公式為：f_out = ((f_in - k + 2*p ) / s ) + 1

所以經過此層，輸出的特徵圖尺寸為320*320*64，長寬為初始圖片的一半。

第1層：[-1, 1, Conv, [128, 3, 2]] # 1-P2/4

本層和上一層是一樣的操作（128代表輸出通道數，3代表卷積核大小k，2代表stride步長），卷積後的特徵圖尺寸為160*160*128

第2層：[-1, 3, C2f, [128, True]]

本層是C2f模組，3代表本層重複3次。 128代表輸出通道數，True表示Bottleneck有shortcut。

假設輸入C2f模組的特徵圖尺寸是h*w*cin，輸出通道數是cout，則c1=cin，c2=cout，c=0.5*cout

cv1是Conv(cin, cout, 1, 1) （k=1，s=1） //輸出為h*w*cout

cv2是Conv((2+n)*0.5*cout, cout, 1) （k=1，s=1）//輸出為h*w*cout

n是bottleneck的個數，m是接上了n個Bottleneck模組，Bottlenectk輸入和輸出通道數都是c=0.5*cout

在forward裡，先將輸入的特徵圖x進行cv1的Conv(cin, cout, 1, 1) （k=1，s=1）操作，然後再使用chunk將其分成2塊。所以y得到的是分成2塊的特徵圖的list。

torch.chunk：將tensor分為多塊，在不同維度上切分。
torch.chunk(tensor, chunk數，維度）

y[-1]表示被切分的最後一塊，m(y[-1]) for m in self.m就是把最後一塊放進n個連續的Bottleneck裡。

torch.cat(y, 1) 將y依第一維度拼接在一起。最後對拼接好的特徵圖進行cv2的Conv((2+n)*0.5*cout, cout, 1) （k=1，s=1 )。

以上就是C2f模組的全過程，輸出的特徵圖尺寸為h*w*cout。

第3層： [-1, 1, Conv, [256, 3, 2]] # 3-P3/8

進行卷積操作（256代表輸出通道數，3代表卷積核大小k，2代表stride步長），輸出特徵圖尺寸為80*80*256，特徵圖的長寬已經變成輸入影像的1/8。

第4層： [-1, 6, C2f, [256, True]]

本層是C2f模組，可以參考第2層的講解。 6代表本層重複6次。 256代表輸出通道數，True表示Bottleneck有shortcut。

經過這層之後，特徵圖尺寸依舊是80*80*256。

第5層： [-1, 1, Conv, [512, 3, 2]] # 5-P4/16

進行卷積操作（512代表輸出通道數，3代表卷積核大小k，2代表stride步長），輸出特徵圖尺寸為40*40*512，特徵圖的長寬已經變成輸入影像的1/16。

第6層： [-1, 6, C2f, [512, True]]

本層是C2f模組。 6代表本層重複6次。 512代表輸出通道數，True表示Bottleneck有shortcut。

經過這層之後，特徵圖尺寸依舊是40*40*512。

第7層： [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32

進行卷積操作（1024代表輸出通道數，3代表卷積核大小k，2代表stride步長），輸出特徵圖尺寸為20*20*1024，特徵圖的長寬已經變成輸入影像的1/32。

第8層： [-1, 3, C2f, [1024, True]]

本層是C2f模組。 3代表本層重複3次。 1024代表輸出通道數，True表示Bottleneck有shortcut。

經過這層之後，特徵圖尺寸一樣是20*20*1024。

第9層：[-1, 1, SPPF, [1024, 5]] # 9

快速空間金字塔池化層（SPPF）。 1024代表輸出通道數，5代表池化核大小k。從程式碼可以看出，最後concat得到的特徵圖尺寸是20*20*（512*4），經過一次Conv得到20*20*1024。

Head

# 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)

第10層： [-1, 1, nn.Upsample, [None, 2, ‘nearest’]]

上採樣層。 -1代表將上層的輸出作為本層的輸入。 None代表上採樣的size（輸出尺寸）不指定。 2代表scale_factor=2，表示輸出的尺寸是輸入尺寸的2倍。 nearest代表使用的上取樣演算法為最近鄰插值演算法。經過這層之後，特徵圖的長度和寬度變成原來的兩倍，通道數不變，所以最終尺寸為40*40*1024。

第11層： [[-1, 6], 1, Concat, [1]] # cat backbone P4

concat層，[-1, 6]代表將上層和第6層的輸出作為本層的輸入。 [1]代表concat拼接的維度是1。從上面的分析可知，上層的輸出尺寸是40*40*1024，第6層的輸出是40*40*512，最終本層的輸出尺寸為40*40*1536。

第12層： [-1, 3, C2f, [512]] # 12

C2f模組，。 3代表本層重複3次。 512代表輸出通道數。與Backbone中C2f不同的是，此處的C2f的bottleneck模組的shortcut=False。經過這層之後，特徵圖尺寸變成40*40*512。

第13層：[-1, 1, nn.Upsample, [None, 2, ‘nearest’]]

上採樣層。經過這層之後，特徵圖的長度和寬度變成原來的兩倍，通道數不變，所以尺寸為80*80*512。

第14層： [[-1, 4], 1, Concat, [1]] # cat backbone P3

concat層，[-1, 4]代表將上層和第4層的輸出作為本層的輸入。 [1]代表concat拼接的維度是1。從上面的分析可知，上層的輸出尺寸是80*80*512，第4層的輸出是80*80*256，最終本層的輸出尺寸為80*80*768。

第15層： [-1, 3, C2f, [256]] # 15 (P3/8-small)

C2f模組，。 3代表本層重複3次。 256代表輸出通道數。經過這層之後，特徵圖尺寸變成80*80*256。

第16層： [-1, 1, Conv, [256, 3, 2]]

進行卷積操作（256代表輸出通道數，3代表卷積核大小k，2代表stride步長），輸出特徵圖尺寸為40*40*256。

第17層：[[-1, 12], 1, Concat, [1]] # cat head P4

concat層，[-1, 12]代表將上層和第12層的輸出作為本層的輸入。 [1]代表concat拼接的維度是1。從上面的分析可知，上層的輸出尺寸是40*40*256，第12層的輸出是40*40*512，最終本層的輸出尺寸為40*40*768。

第18層： [-1, 3, C2f, [512]] # 18 (P4/16-medium)

C2f模組。 3代表本層重複3次。 512代表輸出通道數。

經過這層之後，特徵圖尺寸變成40*40*512。

第19層：[-1, 1, Conv, [512, 3, 2]]

行卷積操作（512代表輸出通道數，3代表卷積核大小k，2代表stride步長），輸出特徵圖尺寸為20*20*512。

第20層： [[-1, 9], 1, Concat, [1]] # cat head P5

concat層，[-1, 9]代表將上層和第9層的輸出作為本層的輸入。 [1]代表concat拼接的維度是1。上層的輸出尺寸是20*20*512，第9的輸出是20*20*1024，最終本層的輸出尺寸為20*20*1536。

第21層： [-1, 3, C2f, [1024]] # 21 (P5/32-large)

C2f模組。 3代表本層重複3次。 1024代表輸出通道數。

經過這層之後，特徵圖尺寸變成20*20*1024。

第22層： — [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)

本層為Detect層，[15, 18, 21]代表將第15、18、21層的輸出（分別是80*80*256、40*40*512、20*20*1024）作為本層的輸入。 nc是資料集的類別數

[Object detection] YOLOv8.yaml詳細說明

Backbone

Head

Written by 泓宇