2025.1.23

今天正式开始YOLOv8的相关学习。

YOLOv8的架构设计主要体现在以下几个方面：

　　1. 改进的特征提取网络
　　　　YOLOv8在特征提取网络方面进行了显著改进，采用了更深、更宽的网络结构，以提高对复杂场景的处理能力。

　　　　CSPNet（Cross Stage Partial Network）：
　　　　CSPNet的引入有效减少了计算成本，同时提升了模型的特征表达能力。
　　　　CSPNet通过部分特征逐层传递，并在特定层融合这些特征，减少了冗余计算。
　　　　新的Backbone：
　　　　YOLOv8采用了改进的Backbone网络，如CSPDarknet53，提升了特征提取能力。
　　　　新的Backbone网络通过增加卷积层和优化残差结构，提高了模型的深度和宽度。
　　2. 多尺度特征融合
　　　　YOLOv8引入了多尺度特征融合技术，如FPN（Feature Pyramid Network）和PANet（Path Aggregation Network），增强了对不同尺度目标的检测能力。

　　　　FPN（Feature Pyramid Network）：
　　　　FPN通过构建自底向上的特征金字塔，结合不同尺度的特征图，提升了对小目标和大目标的检测精度。
　　　　PANet（Path Aggregation Network）：
　　　　PANet通过自顶向下的路径增强特征融合，进一步提升了特征表达的丰富性和检测精度。
　　3. 新的激活函数
　　　　YOLOv8采用了Mish激活函数，相比传统的ReLU函数，Mish在训练深层神经网络时表现更优。

　　　　Mish激活函数：
　　　　Mish函数相比ReLU具有更好的平滑性和非线性特性，有助于提升模型的表达能力和训练稳定性。
　　4. Attention机制
　　　　YOLOv8引入了SE（Squeeze-and-Excitation）模块，通过关注重要特征提升检测精度。

　　　　SE模块：
　　　　SE模块通过全局信息来调整特征图的权重，使得模型能够更好地关注重要特征，提升检