YOLOv8代码上线，官方宣布将发布论文，附精度速度初探和对比总结
【YOLOv8 注意事项】
1. YOLOv8 的官方仓库和代码已上线，文档教程网址也刚刚更新。
2. 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。
3. 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：
GitHub - ultralytics/ultralytics: YOLOv8 🚀 in PyTorch > ONNX > CoreML > TFLite
权重链接：
Releases · ultralytics/assets · GitHub
YOLOv8 文档教程链接：
Ultralytics YOLOv8 Docs
YOLOv8 官方放出了 YOLOv8 与 YOLOv7、YOLOv6 和 YOLOv5 的性能比较折线图，如下所示：
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：
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
YOLOv8精度速度初探和对比总结 - 知乎
前几天已经传开了 YOLOv8 即将发布，昨天 ultralytics 终于宣布开源了YOLOv8。
GitHub - ultralytics/ultralytics: YOLOv8 🚀 in PyTorch > ONNX > CoreML > TFLite
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)？
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。
| Model | size (pixels) | mAPval 50-95 | mAPval 50 | Speed CPU b1 (ms) | Speed V100 b1 (ms) | Speed V100 b32 (ms) | params (M) | FLOPs @640 (B) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 45.7 | 45 | 6.3 | 0.6 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 |
YOLOv5基本模型
| Model | size (pixels) | mAPval 50-95 | Speed CPU ONNX (ms) | Speed A100 TensorRT (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
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：
PaddleYOLO/MODEL_ZOO_cn.md at release/2.5 · PaddlePaddle/PaddleYOLO · GitHub
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。
引用参考
[1].GitHub - ultralytics/ultralytics: YOLOv8 🚀 in PyTorch > ONNX > CoreML > TFLite
[2]. GitHub - PaddlePaddle/PaddleYOLO: 🚀🚀🚀 YOLO series of PaddlePaddle implementation, PPYOLOE, YOLOX, YOLOv5, YOLOv6, YOLOv7, YOLOv8, RTMDet and so on. 🚀🚀🚀
[3] YOLOv8精度速度初探和对比总结 - 知乎 (zhihu.com)