YOLOv8 网络参数详细解析一、整体架构概览这是一个YOLOv8nNano模型的配置文件具有129层315万参数计算量8.9 GFLOPS。整体结构 ┌─────────────────┐ │ Input 640×640 │ ├─────────────────┤ │ │ │ Backbone │───► 特征提取10层 │ │ ├─────────────────┤ │ │ │ Neck │───► 特征融合12层 │ │ ├─────────────────┤ │ │ │ Head │───► 检测输出1层 │ │ └─────────────────┘二、参数详解2.1 基本参数nc: 80 # 检测类别数COCO数据集80类 scales: n: [0.33, 0.25, 1024] # 深度因子, 宽度因子, 最大通道数缩放参数含义深度因子 0.33将基础模块的重复次数缩放为原来的0.33倍宽度因子 0.25将通道数缩放为原来的0.25倍最大通道数 1024通道数的上限2.2 骨干网络Backbone解析2.2.1 骨干网络结构表序号fromrepeatsmoduleargs输出特征图说明0-11Conv[64, 3, 2]320×320×64P1/2- 2倍下采样1-11Conv[128, 3, 2]160×160×128P2/4- 4倍下采样2-13C2f[128, True]160×160×128特征提取3-11Conv[256, 3, 2]80×80×256P3/8- 8倍下采样4-16C2f[256, True]80×80×256特征提取5-11Conv[512, 3, 2]40×40×512P4/16- 16倍下采样6-16C2f[512, True]40×40×512特征提取7-11Conv[1024, 3, 2]20×20×1024P5/32- 32倍下采样8-13C2f[1024, True]20×20×1024特征提取9-11SPPF[1024, 5]20×20×1024空间金字塔池化2.2.2 关键模块说明1. Conv模块# args: [输出通道, 卷积核大小, 步长] Conv(输入通道, 输出通道, 卷积核3, 步长2, padding1)2. C2f模块改进的CSP结构# args: [输出通道, shortcut] C2f(输入通道, 输出通道, n重复次数, shortcutTrue)n3/6Bottleneck模块的重复次数shortcutTrue使用残差连接相比C3模块C2f有更多的分支连接3. SPPF模块空间金字塔快速池化# args: [输出通道, 池化核大小] SPPF(输入通道, 输出通道, k5)将输入分别通过5×5、5×5、5×5的最大池化然后拼接结果增加感受野2.3 颈部网络Neck解析2.3.1 颈部网络结构表序号fromrepeatsmoduleargs输入来源输出特征图说明10-11nn.Upsample[None, 2, nearest]层940×40×10242倍上采样11[-1, 6]1Concat[1]层10,640×40×1536拼接P4特征12-13C2f[512]层1140×40×512特征融合13-11nn.Upsample[None, 2, nearest]层1280×80×5122倍上采样14[-1, 4]1Concat[1]层13,480×80×768拼接P3特征15-13C2f[256]层1480×80×256P3/8输出16-11Conv[256, 3, 2]层1540×40×256下采样17[-1, 12]1Concat[1]层16,1240×40×768拼接中间特征18-13C2f[512]层1740×40×512P4/16输出19-11Conv[512, 3, 2]层1820×20×512下采样20[-1, 9]1Concat[1]层19,920×20×1536拼接P5特征21-13C2f[1024]层2020×20×1024P5/32输出2.3.2 特征金字塔结构FPNPAN[骨干网络] │ P5: 20×20×1024 │ SPPF(层9) │ ┌──────┴──────┐ │ │ Upsample 保留P5 (2倍上采样) │ │ │ Concat(P4) │ (层11: 40×40×1536) │ │ │ C2f(层12) │ (40×40×512) │ │ │ ┌───┴──────┐ │ │ │ │ Upsample 保留P4 │ (2倍上采样) (40×40×512) │ │ │ │ Concat(P3) │ │ (层14: 80×80×768) │ │ │ │ │ C2f(层15) │ │ (80×80×256)───┐ │ │ │ │ │ │ Conv下采样 │ │ │ (层16: 40×40×256) │ │ │ │ │ │ Concat(层12) │ │ (层17: 40×40×768) │ │ │ │ │ │ C2f(层18) │ │ (40×40×512)───┐ │ │ │ │ │ │ Conv下采样 │ │ │ (层19: 20×20×512) │ │ │ │ │ │ Concat(层9) │ │ (层20: 20×20×1536)│ │ │ │ │ │ C2f(层21) │ │ (20×20×1024) │ │ │ │ │ └──────────┴──────┘ │ Detect(层22) [P3, P4, P5 三尺度检测]2.4 检测头Head- [[15, 18, 21], 1, Detect, [nc]] # 检测层Detect模块参数输入[层15, 层18, 层21]三个尺度的特征图输出每个尺度预测框的位置、置信度、类别三尺度检测P3/8层1580×80分辨率 → 检测小目标高分辨率细节丰富适合小物体检测P4/16层1840×40分辨率 → 检测中目标中等分辨率平衡细节和语义信息P5/32层2120×20分辨率 → 检测大目标低分辨率语义信息强适合大物体检测三、特征图维度变化假设输入图像为640×640×3阶段 层数 操作 输出维度 下采样倍数 -------------------------------------------------------------------- 输入 - - 640×640×3 1x P1/2 0 Conv, stride2 320×320×64 2x P2/4 1 Conv, stride2 160×160×128 4x 2 C2f×3 160×160×128 4x P3/8 3 Conv, stride2 80×80×256 8x 4 C2f×6 80×80×256 8x P4/16 5 Conv, stride2 40×40×512 16x 6 C2f×6 40×40×512 16x P5/32 7 Conv, stride2 20×20×1024 32x 8 C2f×3 20×20×1024 32x 9 SPPF 20×20×1024 32x -------------------------------------------------------------------- Neck 10 Upsample×2 40×40×1024 16x 11 Concat(P4) 40×40×1536 16x 12 C2f×3 40×40×512 16x 13 Upsample×2 80×80×512 8x 14 Concat(P3) 80×80×768 8x 15 C2f×3 80×80×256 8x ← P3输出 16 Conv, stride2 40×40×256 16x 17 Concat(层12) 40×40×768 16x 18 C2f×3 40×40×512 16x ← P4输出 19 Conv, stride2 20×20×512 32x 20 Concat(层9) 20×20×1536 32x 21 C2f×3 20×20×1024 32x ← P5输出四、计算量分析4.1 参数分布总参数: 3,157,200 ├── 骨干网络: ~45% ├── 颈部网络: ~50% └── 检测头: ~5%4.2 计算复杂度总计算量: 8.9 GFLOPS 骨干网络主要计算层 1. 层4 (C2f×6): ~1.2 GFLOPS 2. 层6 (C2f×6): ~2.4 GFLOPS 3. 层8 (C2f×3): ~2.0 GFLOPS五、设计特点5.1 创新点C2f模块代替C3更多的跨层连接SPPF代替SPP计算效率更高解耦头分类和回归任务分离在Detect内部实现Anchor-Free不需要预设锚框5.2 性能优势多尺度检测P3/8, P4/16, P5/32三个尺度特征融合充分FPNPAN结构双向特征金字塔计算效率高深度可分离卷积、轻量级设计5.3 适用场景小目标检测关注P3/8输出实时检测8.9 GFLOPS适合移动端通用检测平衡速度与精度