YOLOv8相比YOLOv5的核心改进
YOLO系列是目标检测中最流行的算法之一。请详细说明YOLOv8相比YOLOv5在架构、训练策略和性能方面的主要改进。
回答
古法程序员
YOLOv8由Ultralytics于2023年发布，相比YOLOv5有多项核心改进：
架构层面：
- 引入C2f模块替代C3模块，借鉴了ELAN思想，通过更多分支融合梯度流，参数效率更高。
- 骨干网络末端用SPPF（Spatial Pyramid Pooling Fast）保持多尺度特征。
- 颈部网络仍为FPN+PAN结构，但采用解耦检测头（Decoupled Head），分类和回归分支分离。
- 回归分支使用Distribution Focal Loss（DFL）的思想，将边界框回归建模为离散分布的学习问题。
训练策略：
- 支持Mosaic数据增强且可在训练后期关闭（Last 10 epochs关闭Mosaic）。
- 采用Task-Specific Learning（分类与回归任务独立学习）。
- Anchor-Free机制，直接在特征图每个位置预测目标中心点，简化后处理。
性能： 相比YOLOv5，YOLOv8在COCO数据集上AP约提升2-3%，推理速度相近甚至更快。
工程改进： 原生支持分类、检测、分割、姿态估计多任务统一框架，自动导出ONNX/TensorRT。