《博主简介》
小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！
《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
| 项目名称 | 项目名称 |
|---|---|
| 1.【人脸识别与管理系统开发】 | 2.【车牌识别与自动收费管理系统开发】 |
| 3.【手势识别系统开发】 | 4.【人脸面部活体检测系统开发】 |
| 5.【图片风格快速迁移软件开发】 | 6.【人脸表表情识别系统】 |
| 7.【YOLOv8多目标识别与自动标注软件开发】 | 8.【基于YOLOv8深度学习的行人跌倒检测系统】 |
| 9.【基于YOLOv8深度学习的PCB板缺陷检测系统】 | 10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】 |
| 11.【基于YOLOv8深度学习的安全帽目标检测系统】 | 12.【基于YOLOv8深度学习的120种犬类检测与识别系统】 |
| 13.【基于YOLOv8深度学习的路面坑洞检测系统】 | 14.【基于YOLOv8深度学习的火焰烟雾检测系统】 |
| 15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】 | 16.【基于YOLOv8深度学习的舰船目标分类检测系统】 |
| 17.【基于YOLOv8深度学习的西红柿成熟度检测系统】 | 18.【基于YOLOv8深度学习的血细胞检测与计数系统】 |
| 19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】 | 20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】 |
| 21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】 | 22.【基于YOLOv8深度学习的路面标志线检测与识别系统】 |
| 23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】 | 24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】 |
| 25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】 | 26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】 |
| 27.【基于YOLOv8深度学习的人脸面部表情识别系统】 | 28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】 |
| 29.【基于YOLOv8深度学习的智能肺炎诊断系统】 | 30.【基于YOLOv8深度学习的葡萄簇目标检测系统】 |
| 31.【基于YOLOv8深度学习的100种中草药智能识别系统】 | 32.【基于YOLOv8深度学习的102种花卉智能识别系统】 |
| 33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】 | 34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】 |
| 35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】 | 36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】 |
| 37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】 | 38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】 |
| 39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】 | 40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】 |
| 41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】 | 42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】 |
| 43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】 | 44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】 |
| 45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】 | 46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】 |
| 47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】 |
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
《------正文------》
本文主要是针对YOLOv8n/s/m/l/x这5种不同尺寸大小的yolov8模型，在自己的某目标检测数据集上进行了训练对比实验，并得出了一些参考性的结论，供小伙伴们参考学习。如果有什么问题，欢迎一起学习交流。
1. 引言
YOLOv8 是YOLO 系列实时物体检测器较新的迭代产品，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8_56">2. YOLOv8主要亮点
采用先进的骨干和颈部架构： YOLOv8 采用了最先进的骨干和颈部架构，从而提高了特征提取和物体检测性能。
无锚Ultralytics 头： YOLOv8 采用无锚Ultralytics 头，与基于锚的方法相比，它有助于提高检测过程的准确性和效率。
优化精度与速度之间的权衡： YOLOv8 专注于保持精度与速度之间的最佳平衡，适用于各种应用领域的实时目标检测任务。
各种预训练模型： YOLOv8 提供一系列预训练模型，以满足各种任务和性能要求，从而更容易为您的特定用例找到合适的模型。
YOLOv8网路结构如下所示：
YOLOv8_65">3. YOLOv8不同模型尺寸性能对比
1. 在COCO数据集上性能对比
官方给出的不同尺寸大小yolov8模型在COCO数据集上的性能对比如下：
| 模型 | 尺寸 （像素） | mAPval 50-95 | 速度 CPUONNX (ms) | 速度 A100 TensorRT （毫秒） | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
2. 自行实验训练结果对比
博主在某目标检测数据集上，对于YOLOv8n/s/m/l/x这5种不同尺寸的大小进行了对比实验，试验结果如下：
训练过程的损失曲线对比如下：
训练过程中的精确度（Precision）、召回率（Recall）、平均精确度（Mean Average Precision, mAP）等参数的对比如下：
最终精度结果对比：
| 名称 | YOLOv8n | YOLOv8s | YOLOv8m | YOLOv8l | YOLOv8x |
|---|---|---|---|---|---|
| mAP@0.5 | 0.728 | 0.747 | 0.776 | 0.771 | 0.767 |
| F1-Score | 0.68 | 0.70 | 0.73 | 0.73 | 0.73 |
4. 结论
针对此目标检测数据集，从上述的模型训练实验结果可以看出：
- 从模型训练过程损失曲线上看，YOLOv8n/s/m/l/x这5个不同尺寸大小的模型训练过程的收敛速度相差不大；【val验证集训练曲线逐渐平滑代表训练过程基本收敛】
- 从训练结果的性能精度上看，YOLOv8m/l/x > YOLOv8s > YOLOv8n。
- 从训练结果的性能精度上看，YOLOv8m/l/x这三种模型的训练结果精度相差不大，并没有出现随着模型尺寸的增大，训练结果越来越好的情况。因此模型并不是尺寸越大,训练出来的性能效果越好。
- 针对此数据集，从最终性能来看，这5种网络模型使用YOLOv8m大小的模型尺寸，即可达到最高精度需求，无需选用尺寸更大的YOLOv8l/x模型进行训练。
以上结论只是针对我的这个目标检测实验数据集得出了，并不能一概而论。其他数据集训练可能会不一样，但是结论可以作为参考，小伙伴们可以根据实际数据集与需求选择合适大小的模型进行训练。
————————————————————————————————————————
后续，还会出一些关于模型对比、改进对比等相关实验结果，供大家参考。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
