????YOLOv8是一種單階段（one-stage）檢測算法，它將目標(biāo)檢測問題轉(zhuǎn)化為一個(gè)回歸問題，能夠在一次前向傳播過程中同時(shí)完成目標(biāo)的分類和定位任務(wù)。相較于兩階段檢測算法（如Faster R-CNN），YOLOv8具有更高的檢測速度和實(shí)時(shí)性。

1.數(shù)據(jù)集介紹

數(shù)據(jù)集詳情可以參考博主寫的博客

＜數(shù)據(jù)集＞紅綠燈識別數(shù)據(jù)集＜目標(biāo)檢測＞https://blog.csdn.net/qq_53332949/article/details/141197385

數(shù)據(jù)集下載鏈接：

點(diǎn)擊下載https://download.csdn.net/download/qq_53332949/89715882?spm=1001.2101.3001.9500

2.YOLOv8模型結(jié)構(gòu)

YOLOv8的結(jié)構(gòu)主要分為三部分：Backbone、Neck和Head。

- Backbone

• 用于提取輸入圖像的特征。YOLOv8采用了多種輕量化的卷積模塊（如CSP模塊）和擴(kuò)展卷積（Depthwise Separable Convolution），提升了特征提取的速度和效率。
• 它能夠有效地捕獲不同尺度和不同特征層次的信息。

- Neck

• 用于融合多尺度特征，實(shí)現(xiàn)對小目標(biāo)的更好檢測。YOLOv8中常用的Neck是PAN（Path Aggregation Network）和FPN（Feature Pyramid Network）的結(jié)合，能夠更好地傳遞底層和頂層特征，提高對目標(biāo)的檢測精度。

- Head

• 負(fù)責(zé)最終的目標(biāo)檢測和分類任務(wù)。YOLOv8的Head包括分類分支和邊界框回歸分支。分類分支輸出每個(gè)候選區(qū)域的類別概率，邊界框回歸分支則輸出檢測框的位置和大小。
• YOLOv8采用了Anchor-Free的設(shè)計(jì)，使得模型可以在不需要預(yù)設(shè)錨框的情況下進(jìn)行檢測，減少了計(jì)算復(fù)雜度，并提升了檢測精度。

YOLOv8模型的整體結(jié)構(gòu)如下圖所示：

?

3.模型訓(xùn)練結(jié)果

YOLOv8在訓(xùn)練結(jié)束后，可以在runs目錄下找到訓(xùn)練過程及結(jié)果文件，如下圖所示：

?

3.1 map@50指標(biāo)

?

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 驗(yàn)證 batch

標(biāo)簽：

?

預(yù)測結(jié)果：

?

3.9 識別效果圖