- 🍨 本文为🔗365天深度学习训练营中的学习记录博客
- 🍖 原作者：K同学啊
本周任务：根据yolov8n、yolov8s模型的结构输出，手写出yolov8l的模型输出、
文件位置：./ultralytics/cfg/models/v8/yolov8.yaml
一、参数配置
Parameters：
nc：类别数量，即模型可以识别的物体类别数
scales：包含了不同模型配置的尺度参数，用于调整模型的规模，通过尺度参数就可以实现不同复杂度的模型设计。yolov8n、yolov8s、yolov8m、yolov8l、yolov8x五种模型只在depth、width与max_channels这三个参数上有区别。
·depth：深度，控制子模块数量，=int（number*depth）
·width：宽度，控制卷积核的数量，=int（number*width）
·max_channels：最大通道数
yolov8五种模型性能的详细参数如下表所示：
二、模型整体结构
1.Backbone模块
每一个模块是一行，每行由四个参数构成。
·from：表示当前模块的输入来自那一层的输出，-1表示来自上一层输出，层编号由0开始计数
·repeats：表示当前模块的理论重复次数，实际的重复次数还要由上面的参数depth_multiple共同决定，该参数影响整体网络模型的深度
·module：模块类名，通过这个类名在common.py中寻找相应的类，进行模块化搭建网络
·args：一个list，模块搭建所需参数，channel，kernel_size，stride，padding，bias等
2.head模块
数据格式与backbone一致
3.模型结构输出
注意：结合参数配置中depth、width与max_channels三个参数对比模型结构输出的异同
yolov8n.yaml
yolov8s.yaml
任务：
回答：
yolov8l.yaml
三、总结
每一个模块都要好好学习，学了发现没有想象中的难了，本来不太理解的模型输出，靠着deepseek和以前资料也搞懂了。果然之前的东西还是得常看，许久不看就容易忘记。
)
