接下来,我们说一下YOLOv8的PaFPN。一如往常的,YOLOv8仍采用PaFPN结构来构建YOLO的特征金字塔,使多尺度信息之间进行充分的融合。图5展示了YOLOv8-L和YOLOv5-L的PaFPN结构的配置对比,可以看到,大体上几乎是一样的,仅仅是在top-down过程中的上采样操作中少了一层1×1卷积,且C3模块被替换为C2f模块。最后返回的...
这里值得注意的是,很多博文中写到YOLOv8使用了CSPDarkNet53作为backbone,当然是可以用的,但是官方代码中明显不是套用的CSPDarkNet53网络结构。事实上,YOLOv5的主干也并非是CSPDarkNet53网络。 图1 YOLOv8网络架构 图2 YOLOv5网络架构 2. Neck YOLOv8的Neck使用的也是类似于YOLOv5的PAN-FPN,称作双流FPN,高效,速度...
高层筛选特征金字塔网络(HS-FPN):这个组件旨在处理不同白细胞之间的尺度差异问题。它很可能是一个特征金字塔网络(FPN),创建了一个多尺度特征层次结构,允许模型检测不同大小的白细胞。高层特征用于筛选(或权衡)低层特征,然后与高层特征融合,以增强模型表达不同尺度特征的能力。 编码器:编码器负责对骨干网和HS-FPN提取...
Backbone:CSPDarkNet结构,主要结构思想的体现在C3模块,这里也是梯度分流的主要思想所在的地方; PAN-FPN:双流的FPN,必须香,也必须快,但是量化还是有些需要图优化才可以达到最优的性能,比如cat前后的scale优化等等,这里除了上采样、CBS卷积模块,最为主要的还有C3模块(记住这个C3模块哦); Head:Coupled Head+Anchor-base...
高层筛选特征金字塔网络(HS-FPN):这个组件旨在处理不同白细胞之间的尺度差异问题。它很可能是一个特征金字塔网络(FPN),创建了一个多尺度特征层次结构,允许模型检测不同大小的白细胞。高层特征用于筛选(或权衡)低层特征,然后与高层特征融合,以增强模型表达不同尺度特征的能力。
特征增强网络: YOLOv8使用PA-FPN的思想,具体实施过程中将YOLOV5中的PA-FPN上采样阶段的卷积去除了,并且将其中的C3模块替换为了C2f模块。 检测头:区别于YOLOV5的耦合头,YOLOV8使用了Decoupled-Head 其它更新部分: 1、摒弃了之前anchor-based的方案,拥抱anchor-free思想。
上面上AFPN的网络结构,可以看出从Backbone中提取出特征之后,将特征输入到AFPN中进行处理,然后它可以获得不同层级的特征进行融合,这也是它的主要思想质疑,同时将结果输入到检测头中进行预测。 (需要注意的是本文砍掉了最下面那一条线适应YOLOv8因为我们是三个检测头,下一篇文章我会出增加小目标检测头的然后四个头的...
PAN-FPN:毫无疑问YOLOv8依旧使用了PAN的思想,不过通过对比YOLOv5与YOLOv8的结构图可以看到,YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了,同时也将C3模块替换为了C2f模块; Decoupled-Head:是不是嗅到了不一样的味道?是的,YOLOv8走向了Decoupled-Head; ...
PAN-FPN:毫无疑问YOLOv8依旧使用了PAN的思想,不过通过对比YOLOv5与YOLOv8的结构图可以看到,YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了,同时也将C3模块替换为了C2f模块; Decoupled-Head:是不是嗅到了不一样的味道?是的,YOLOv8走向了Decoupled-Head; ...