之前 CVer 第一时间分享了： YOLOv8来了！YOLOv5官方出品！ 这里再更新一下YOLOv8 的资源。

【YOLOv8 注意事项】

0. YOLOv8 的官方仓库和代码已上线，文档教程网址也刚刚更新。

1. YOLOv8 代码集成在 ultralytics 项目中，目前看不会再单独创建叫做 YOLOv8 的项目。

2. YOLOv8 即将有论文了！ 要知道 YOLOv5 自从 2020 年发布以来，一直是没有论文的。而 YOLOv8（YOLOv5团队）这次首次承认将先发布 arXiv 版本的论文（目前还在火速撰写中）。

YOLOv8 代码链接：

https://github.com/ultralytics/ultralytics

权重链接：

https://github.com/ultralytics/assets/releases
YOLOv8 文档教程链接：

https://docs.ultralytics.com/

在CVer公众号后台回复： YOLOv8， 即可下载YOLOv8源码、权重和教程

YOLOv8 官方放出了 YOLOv8 与 YOLOv7、YOLOv6 和 YOLOv5 的性能比较折线图，如下所示：

CVer 还发现了第三方（github作者：RangeKing ）绘制的 YOLOv8 网络结构示意图，内容非常详细，还获得了 YOLOv8 官方的点赞认可，如下图所示

YOLOv8 网络结构示意图  |  github作者：RangeKing

CVer 这里分享一篇关于 【YOLOv8精度速度初探和对比总结】 的知乎文章，内容写的也非常好，有一些独特的见解，希望对大家有所帮助。

作者： 迪迦奥特曼

https://zhuanlan.zhihu.com/p/598077550

前几天已经传开了 YOLOv8 即将发布，昨天 ultralytics 终于宣布开源了YOLOv8。

https://github.com/ultralytics/ultralytics

repo没有起名为YOLOv8，也没有合并在YOLOv5里，有网友问作者回复说要搞自己的大框架集合，不只是YOLO不只是检测。此外作者还说在写arxiv论文了，最大的那个表格估计现在一页也放不下了。YOLOv8 代码风格完善了很多，精度更是高出一大截直奔SOTA，那么是否宣告 YOLOv5 即将像YOLOv1 v2一样慢慢成为历史？YOLOv5又 是如何一步步改到YOLOv8的(仅指ultralytics的YOLOv5到YOLOv8)？

其实之前本人已经写过两篇文章介绍各个YOLO【从百度飞桨YOLOSeries库看各个YOLO模型】和【 YOLO内卷时期该如何选模型 ？】， 如今YOLOv8发布了，也还是想再继续讨论下各个YOLO以及目前YOLO江湖诸神黄昏的现状 。

差异点总结：

前几天已经有很多解读了，这里再简单总结下YOLOv8相比YOLOv5的改动：

(1). Backbone ：CSP是不变的思想，但是 v8 中选用了 C2f 模块替换 v5 的 C3 模块，每个stage的blocks数也改为了[3,6,6,3]而不是[3,6,9,3]，此外x版本的depth因子仍然为1.0和L版本一样而不是常规的1.33，明显是为了轻量化。stem卷积在v8里是k=3的卷积而不是k=6的了，而最后的SPPF模块v8还是照搬沿用v5的；

(2). Neck ：除了同样是 C2f 模块替换 C3 模块外，v8还将v5中 PAN-FPN 的top down上采样阶段中的卷积直接删除了；

(3). Head ：Decoupled-Head，和yolov6 ppyoloe的head类似，除了cls reg两个branch外还有一个projection conv，是为 DFL 用的，不同于v6 ppyoloe的是reg_max没有加1；

(4). Label Assign ：v8终于还是使用了Anchor-Free，TaskAlignedAssigner(TAL)动态匹配的方式也是和v6 ppyoloe很相似的，但topk alpha参数略有不同，v8也没有ATSS静态匹配阶段；

(5). Loss ：v8的分类loss还是使用的BCE，虽然也写了VFL(varifocal_loss)但是注释了没用上，回归loss是DFL Loss+CIoU Loss，loss_weight的设置也和v6 ppyoloe略有区别；

总的来看，最大的改动就是Anchor Base换成Anchor Free了，主要就是TOOD的思想，也参考了一些v6 ppyoloe的代码。

关于精度：

首先还是直接看下YOLOv5和YOLOv8的精度对比，可以看出同级别模型YOLOv8至少高出3个多点，nano版本更是高出9.3。参数量FLOPs上YOLOv8不可避免的增加了些，然后l x版本参数量少了点。

YOLOv5基本模型 YOLOv8基本模型

关于模型结构：

参数量FLOPs不可避免增加，n s m上已经有点明显了，但l x版本参数量反而减小了很多，我觉得主要还是减少了东西导致的，比如Backbone每个stage的输出的通道数只有 n/s 和YOLOv5的n/s相同，m/l/x 最后一个stage都缩减了很多，再配合最大的stage的blocks数也减少了，以及FPN去除了top-down上采样卷积，x版本的depth因子仍然为1.0而不是常规的1.33，所以YOLOv8各个模型尤其是大模型上参数量减小了，而小模型上增加的也不太多。

同时带来的一个问题也是设计上的不统一了，包括v6 damo-yolo都是大小模型各一套backbone，v7的设计个版本就更没有章法了。一套模型X L M S T N只改depth width因子是最理想状态，但是估计这些新的YOLO的作者往往发现和竞品对比时某一个版本稍弱或优势没那么大，于是就针对它调，效果是跳上去了，但是每个版本差别也越来越大，换版本的时候不能只是改下depth width因子了，各自调优稍显刻意了点。

关于Assign和Loss：

其实主要还是TOOD的思想，这个文章介绍的比较详细了 【YOLOv6、PP-YOLOE、PicoDet为什么都选择了TOOD？】，总结下来就是分类和回归任务具有较高一致性。但是v8分类loss目前还是使用的BCE，不知道使用VFL的时候精度如何，至于IoU loss可能也已经排列组合尝试过了采用了CIoU，loss_weight也调大了iou loss的比例。v8的Assign是全程采用TAL ，没有静态匹配ATSS，其实看v6的最新代码里也逐渐去除了ATSS阶段，而PPYOLOE里还是保留着约前1/3 阶段ATSS+后期TAL的设置。本人之前训TOOD也跳过ATSS和TAL的epoch数，ATSS静态匹配确实稍显生硬，但对于较简单的数据集还是挺有用。全程TAL对于遮挡多较难的数据集更合适。

关于训练细节：

几个综合YOLO的集合代码库已经火速安排上了复现的PR，比如MMYOLO和PaddleYOLO，今早看到了PaddleYOLO 里已经率先支持了YOLOv8的inference和部署速度。

具体训练可能都还得等的官方先公布完全吧。包括训练epoch数和预训练权重，这个已经在issue中有人问到了，这是对训练精度影响最大的两个方面， 现在各个YOLO也已经很难做到公平对比了 ，以前还默认都是300epoch下640单尺度eval精度，所以后面的YOLO纷纷使用了1280尺度、加P6层、obj365预训练、自蒸馏、大蒸小蒸馏等外挂拼命往上刷，现在则是只剩下640单尺度eval精度。

关于部署和速度：

之前我的T4机器上就测过PaddleYOLO里的ppyoloe和v5 v7的速度对比，这下正好也直接验证了下v8的几个权重onnx的速度。最基础的测速，是640*640尺度下去nms bs=1的trt测速，各家YOLO发布时这个也是必测必写的，其实换算到FPS更直观点，但是FPS波动太大，多打20都有可能，而毫秒耗时则最多差个0.2ms。

看到PaddleYOLO 里yolov8表格的TRT-FP16-Latency的数据，发现和yolov5比小模型上速度比较接近，但大模型m l x上则变慢了不少，精度的巨大提升也牺牲了速度，这也可能是之前讨论的m l x比yolov5缩减了backbone的模块和通道数有关吧。理论上看模型结构改动尤其是head加大了很多，的确可能变慢的，具体等v8公布速度数据再看看（目前已公布速度数据，如上面图所示）。

YOLOv5

YOLOv8

PaddleYOLO 的modelzoo页面可以直观的看到几乎所有YOLO的精度速度对比，虽然是paddle框架但都是同一T4 GPU环境下册的还算是可以参考的：

github.com/PaddlePaddle/PaddleYOLO/blob/release/2.5/docs/MODEL_ZOO_cn.md

当然也期待yolov8论文中的超级大表格，那样会更直观。

star数是唯一评价标准吗

v8开源一天已经吸引了600多star数（截止2023年1月12日晚，已经1.3k star），热度非凡，最后想再稍微讨论下这个，一般来说大家首先都是看的star数去评价，但这个其实往往都是可以通过营销宣传来涨的，现在很多自媒体平台也极大的方便了传播，此外fork数基本都是被忽略的。yolov5代码普遍反应写的可读性极差不规范，但是他的star数就是一路飙升直至超过了mmdet和detectron2做到了检测领域第一，主要还是维护和生态应用做的好，此外forks数也有12.5k可见其影响力和使用范围。

我觉得还是需要看全面看待star fork等，一个代码库刚放出来的时候star肯定是暴涨的，当然也是配合着宣传营销，这个和新事物疯狂点收藏的一个道理。但是放出来一段时间后，star数的增长趋于平稳，这个时候其实可以关注下star/fork 比，一般来说在3~7的都算正常，10左右的基本上还是营销宣传PR一直在发力。起名呢也是个学问，只要起名直接叫yolov9 v10保准可以吸足流量，正如v5 v6 v7当初带动的一波又一波流量一样，但是我是觉得 起名还得问问最初YOLO作者团队的同意，以示尊重经典 。 各大YOLO都还在继续保持着创新和更新，可以期待下yolov9 v10，不过不需要盲目就换模型，还是得大致了解下改进点和优劣势后再谨慎选择 。

[1]. https://github.com/ultralytics/ultralytics

[2]. https://github.com/PaddlePaddle/PaddleYOLO

YOLOv8 代码和教程下载

CVer后台回复： YOLOv8， 即可下载源码和教程

目标检测交流群成立
扫描下方二维码，或者添加微信：CVer222，即可添加CVer小助手微信，便可申请加入CVer-目标检测 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲扫码或加微信号: CVer222，进交流群
CVer学术交流群（知识星球）来了！想要了解最新最快最好的CV/DL/ML论文速递、优质开源项目、学习教程和实战训练等资料，欢迎扫描下方二维码，加入CVer学术交流群，已汇集数千人！
▲扫码进群
▲点击上方卡片，关注CVer公众号

整理不易，请点赞和在看

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>目标检测微信技术交流群之前 CVer 第一时间分享了：YOLOv8来了！YOLOv5官方出品！这里再更新一下YOLOv8 的资源。【YOLOv8 注意事项】0.YOLOv8 的官方仓库和代码已上线，文档教程网址也刚刚更新。1. YOLOv8 代码集成在ultralytics 项目中，目前看不会再单独创建叫做...