YOLOv8是一种单阶段（one-stage）检测算法，它将目标检测问题转化为一个回归问题，能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法（如Faster R-CNN），YOLOv8具有更高的检测速度和实时性。

1.数据集介绍

数据集详情可以参考博主写的文章＜数据集＞猫狗识别数据集＜目标检测＞。

2.YOLOv8模型结构

YOLOv8的结构主要分为三部分：Backbone、Neck和Head。

- Backbone

• 用于提取输入图像的特征。YOLOv8采用了多种轻量化的卷积模块（如CSP模块）和扩展卷积（Depthwise Separable Convolution），提升了特征提取的速度和效率。
• 它能够有效地捕获不同尺度和不同特征层次的信息。

- Neck

• 用于融合多尺度特征，实现对小目标的更好检测。YOLOv8中常用的Neck是PAN（Path Aggregation Network）和FPN（Feature Pyramid Network）的结合，能够更好地传递底层和顶层特征，提高对目标的检测精度。

- Head

• 负责最终的目标检测和分类任务。YOLOv8的Head包括分类分支和边界框回归分支。分类分支输出每个候选区域的类别概率，边界框回归分支则输出检测框的位置和大小。
• YOLOv8采用了Anchor-Free的设计，使得模型可以在不需要预设锚框的情况下进行检测，减少了计算复杂度，并提升了检测精度。

YOLOv8模型的整体结构如下图所示：

3.模型训练结果

YOLOv8在训练结束后，可以在runs目录下找到训练过程及结果文件，如下图所示：

3.1 map@50指标

3.2 P_curve.png

3.3 R_curve.png

3.4 results.png

3.5 F1_curve

3.6 confusion_matrix

3.7 confusion_matrix_normalized

3.8 验证 batch

标签：

预测结果：

3.9 识别效果图