YOLOv8原理解析[目标检测理论篇]

接下来是我最想要分享的内容，梳理了YOLOv8预测的整个流程，以及训练的整个流程。

关于YOLOv8的主干网络在YOLOv8网络结构介绍-CSDN博客介绍了，为了更好地介绍本章内容，还是把YOLOv8网络结构图放在这里，方便查看。

1.YOLOv8预测流程原理

前面已经提到了Head层网络是根据类别数来设计生成特定的特征图，那么为什么要将预测box的特征图设计成64个维度？box特征图和预测Cls的特征图又是怎么解码用来预测图片中目标框的位置和类别的？这都是这一节要重点介绍的内容。

在对box和cls解码之前首先要把三个尺度的特征图展开，box变成(1,64,6400)、(1,64,1600)、(1,64,400)，cls变成(1,nc,6400)、(1,nc,1600)、(1,nc,400)，然后各自进行合并，从而得到box(1,64,8400),cls(1,nc,8400)，一张图片在输入网络后就会得到这两个向量，分别用来预测目标的位置和类别，接下来看一下是如何对这两个向量解码得到预测的结果，并且了解下预测的完整流程。

预测模块分成了以下三个部分，图像预处理、模型推理以及后处理模块。接下来将按照这三个顺序来展开说明。

1.1图像预处理模块

图像预处理模块：对输入的图片进行预处理，包括letterBox、归一化等操作，这里主要介绍一下letterBox操作：(1)LetterBox的目的就是将原图的尺寸（1280,720）转换成网络输入尺寸（640,640）；(2)缩放采用的是等比例缩放方式，即找出长边将其缩放成640，然后按照长边的缩放比例（1280/640=2），同时给短边进行缩放，得到720/2=360，然后把短边补充灰边至640；(3)如图所示经过LetterBox后的图片尺寸并不是640*640而是（640，384），这是为什么呢？这种是改进后的LetterBox，只要保证填充短边是32的倍数即可，这样可以加快推理速度。而至于为什么是32的倍数，我理解的是YOLOv8最大进行了5次下采样，为了保证每个像素都有效并且可以整除，那么输入尺寸必须是32的倍数。

1.2推理模块

推理模块:介绍下Box分支和Cls分支是如何进行解码的。

首先来看一下Box分支，由前面可知经过网络后会输出一个（1，64，8400）的向量，64是通过4*reg_max（reg_max=16）计算得到的，4是指预测的中心点到预测边框的左边（l）、上边(t)、右边(r)、下边(b)的距离，reg_max是指预测边框的范围，举个例子就很容易就能理解了。

当reg_max=16时，在每个预测特征图下（20*20，40*40，80*80），能够预测的最大预测框的大小为30*30，如何理解30*30呢？如下表所示，4*16可以理解成一个4行16列的矩阵，l/t/r/b的值经过softmax后遵循着 $\sum value=1$ 规定，并且最终预测的结果为Index和对应的value的乘积，比如网络预测的ltrb长度为：

Left: 5*0.25+6*0.75=5.75 ;Top: 4*0.40+5*0.60=4.60;

Right: 5*0.35+6*0.65=5.65;Bottom: 4*0.4+6*0.6=5.20;

既然如此，那么当Index=15时，value=1，此时预测的l、t、r、b均为最大值，且都为15，也就是说在每个特征图尺度下（20*20，40*40，80*80），能够预测的最大的边框大小均为30*30。比如在20*20尺寸的特征图中，这是专门用来预测大目标尺寸的特征图，而30*30已经超出了特征图20*20的尺寸，说明不会漏掉任何一个大目标。在40*40尺寸的特征图中，30*30能够预测大部分的中等目标（映射回640*640中，目标大小大概为480*480）。在80*80尺寸的特征图中，30*30主要也是用于预测小目标。

最后，会根据缩放比例，把8400个grid cell预测的边框大小映射回640*640尺度，即输入到网络的尺寸上，并且把预测的LTRB表示方式更改为XYWH方式，即中心点/宽高方式。

接着是cls分支，Cls分支仅是对所有元素做一个Sigmoid()操作，也就是说每个元素都会独立地经过Sigmoid（）函数，从而得到一个（0,1）区间范围内的值。

1.3后处理模块

后处理模块：主要由两部分组成，分别是NMS模块和Scale_boxes.

NMS模块即非极大值抑制，NMS流程分成了三部分，第一部分主要是通过置信度阈值过滤掉一部分（每个gird cell会有nc个预测类别的值，且经过sigmoid后均在（0，1）之间，取nc个里面的最大值和阈值进行比较），并且将XYWH格式转换为XYXY格式，由此8400个grid cell经过过滤后只剩下29个。第二部分主要通过Cls张量挑出这29个grid cell的类别置信度及其标签下标。第三部分是给box加上一个偏移量通过torchvision自带的NMS来完成标签框的过滤，给不同类别加上一个偏移量是为了在区分不同的类别。最后将得到一个3行6列的矩阵，代表预测出的三个目标及其对应的XYXY格式的Box，类别的置信度，以及类别的下标。

下面是对于不同类别需要加上一个偏移量的理解，见图知意。

Scale_boxes模块是将预测结果映射回到原始输入图片尺寸的，首先将预测的框减去因为latter box产生的偏移量，复原到等比例缩放（640，360）时的每个框的XYXY坐标，然后再将XYXY坐标等比例放大到原始图像（1280，720）的坐标，最后把得到的XYXY坐标信息进行裁剪到指定的图像尺寸范围内，确保边界框不会超出图像的实际尺寸，简而言之就是不让预测框超出原始图像尺寸。