YoloV8网络结构图网络模块SPPF 模块SPPF模块将SPP模块并行输入的最大池化调整为多个小卷积核的串行输入,可以有效减小网络的计算量提升计算效率。 SPPF模块还避 免了对图像区域的裁剪以及缩放操作导致的图像失真实现局部特征和全局特征融合完善目标的 特征信息。C2f 模块受到ELAN模块的启发,YOLOv8 设计了更轻量化的C2f模块,引入更多的分支结构丰富梯度回传的支流,替换了YOLOv5中的C3模块,使模型变得更轻量化,从而获得更加丰富的梯度流信息。三段式架构Backbone主干特征提取默认 Backbone 的层序非常清楚Conv - Conv - C2f - Conv - C2f - Conv - C2f - Conv - C2f - SPPF。其中 P3、P4、P5 三个主尺度特征分别在 1/8、1/16、1/32 下采样倍率处形成。SPPF 仍然保留在 Backbone 末端作用是扩大感受野并聚合上下文。YOLOv8 没有像某些后续模型那样大改末端金字塔池化而是保留了这一块成熟设计。NeckFPN PAN 风格的双向融合先上采样 Concat 把高层语义往浅层传再下采样 Concat 把融合后的浅层细节回流到中高层所以本质上就是 FPN/PAN 风格的双向特征融合。P3/8 更偏小目标P4/16 更偏中目标P5/32 更偏大目标。Headanchor-free 的分离式检测头有两条主分支cv2box branch输出 4 * reg_maxcv3class branch输出 nc。YOLOv8 检测头没有单独的 objectness 分支。 源码里 self.no nc self.reg_max * 4不是旧 YOLO 常见的 nc 5训练损失里也是直接取 pred_scores 做分类 BCE再配 box dfl没有单独的 obj loss 分支。YOLOv8 的关键创新点anchor-based 转向 anchor-free这是 YOLOv8 最核心的架构变化之一。官方对比页明确说YOLOv8 的 anchor-free head 省去了手工 anchor 配置并减少了框预测数量从而让模型在自定义数据集上更稳也会让后处理里的 NMS 更轻一些。YOLOv5/7 更像“基于预设框去修正”YOLOv8 更像“直接在网格点上回归目标”。 这让迁移到新数据集时少了一层“先配 anchor”的工程成本。分离式 HeadYOLOv8 的 Head 不是单一输出卷积而是把框回归和分类分开做。分离式 Head 的意义在于定位和分类本来就是两个优化目标拆开后一般更容易收敛也更利于后续针对不同分支做轻量化或导出优化。DFL 回归当前 Detect 头默认 reg_max16所以每个位置的框分支先输出 4 * 16 64 个通道随后在损失和解码里通过 softmax 加权投影恢复成四个连续距离值再通过 dist2bbox 解码为框。这意味着 YOLOv8 的框回归不是“直接回归 4 个数”而是用离散分布去近似连续边距。这通常比直接回归更稳尤其是在高精度定位场景里。任务对齐分配当前 v8DetectionLoss 默认使用 TaskAlignedAssigner源码里默认参数是 topk10、alpha0.5、beta6.0而 TaskAlignedAssigner 的说明写得也很清楚它用一个同时结合分类信息与定位信息 的 task-aligned metric 来做正负样本分配。这比“只按 IoU”或者“只按中心点”更像一种联合筛选既看你分得像不像又看你框得准不准。参考资料A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NASyolov8详细讲解包括网络结构图、关键创新点、部署-CSDN博客