YOLOv8出來已經有段時間了現(xiàn)在回頭去看它在目標識別和實例分割這兩個方向上的改動其實已經把YOLO系列推向了一個新的階段。很多人還在用v5甚至v3覺得v8不過是把C3換成了C2f或者加了個anchor-free頭但其實這背后的設計邏輯遠不止這么簡單。這篇文章我打算把YOLOv8的算法原理從頭到尾拆一遍重點放在目標識別和實例分割兩條線路上同時把訓練、部署、踩坑這些實際環(huán)節(jié)也串進來反正你搜到這篇大概率不只是想看個網絡結構圖而是想知道“為什么這么做”以及“實際用起來要注意什么”。文章會比較長適合的人群也很明確正在用YOLOv8做畢業(yè)設計的學生、要在RK3588或TensorRT上落地的工程師、以及想把模型訓練和分割效果調好的算法從業(yè)者。原理部分我會盡量說得通俗一些但不會回避公式和參數(shù)實操部分我會把我自己踩過的坑和驗證過的方法直接寫出來。1. YOLOv8整體架構與核心設計理念YOLOv8的官方實現(xiàn)其實不只是檢測還包括實例分割、姿態(tài)估計和分類但大家用得最多的還是detect和seg。如果從架構演化角度去看v8和v5最大的區(qū)別不是單純多了幾個模塊而是它在整個檢測流程上做了三個關鍵決定歸一化層從BN換成C2f結構回到Stage、檢測頭改為anchor-free、分類和回歸頭徹底解耦。這三件事放在一起徹底改變了訓練穩(wěn)定性和收斂速度。1.1 從CSPNet到C2f梯度流與特征復用YOLOv8的backbone不再使用YOLOv5里的C3模塊而是采用了C2fCSPDarknet with 2 convolutions and n bottlenecks模塊。C2f的核心思路是每個block的輸出都會被單獨送入最后的concat層而不是像C3那樣只把最后一個block的輸出送去concat。這么做的直接效果是梯度信息在每個分支內部流通的次數(shù)更多特征復用的粒度更細。我可以直接說結論對小目標的檢測這個改動是實打實有幫助的。因為小目標的上下文信息不足模型需要把淺層的邊緣、紋理信息和深層的語義信息融合起來C2f的多級輸出讓融合發(fā)生得更充分。我在訓練自己的小目標數(shù)據集時對比過C3和C2f同等參數(shù)量下C2f的mAP_50大概能高1.5個百分點左右而且訓練收斂更快前幾個epoch就能看出來loss下得比v5快。# C2f的偽代碼邏輯簡化 class C2f(nn.Module): def forward(self, x): y self.conv1(x) # 先做一次1x1壓縮通道 y list(self.cv2(y.chunk(len(self.m), 1))) # 按通道切分成多個分支 for i, m in enumerate(self.m): y[i 1] m(y[i]) # 每個bottleneck的輸入和輸出都被保留 return self.conv2(torch.cat(y, 1)) # 所有輸出concat后再1x1融合這段代碼你不用背關鍵是理解C2f把一條串行路徑變成了多級并聯(lián)輸出每一層bottleneck的結果都留下了這樣concat的時候信息就很豐富。代價是計算量會比C3稍高一些但實測對推理速度影響不大除非你部署在非常弱的嵌入式設備上那才需要考慮用v8n這樣的輕量版本。1.2 Anchor-Free去掉預設框之后發(fā)生了什么YOLOv5和更早的版本都是基于anchor的這是從Faster R-CNN時代繼承下來的思路先在特征圖上預設一堆不同尺寸和比例的框然后讓模型預測每個框的偏移和縮放。YOLOv8徹底去掉了這個預設步驟讓每個位置直接預測“到物體中心點的距離”以及“物體的寬高”。這么做的好處有兩點。第一減少了超參數(shù)調優(yōu)的成本anchor的尺寸、比例、數(shù)量都不需要再手動設計了模型對不同尺度數(shù)據集的適應能力更強。第二推理階段的解碼邏輯變簡單了不需要再做anchor匹配直接通過輸出特征圖就能還原出每個目標的候選框。我自己測試下來把v5的anchor自動聚類換成v8的anchor-free設計之后在形狀差異很大的數(shù)據集比如長條形的水管和方形的盒子上檢測框的貼合度確實更穩(wěn)定不會出現(xiàn)因為預設anchor不合適導致大量漏檢的情況。不過也需要說明anchor-free不是萬能的。對極端長寬比的目標比如寬度和高度比值超過10:1的物體anchor-free模型有時反而不如精心設計的anchor策略。這個問題的解決方案一般是通過調整數(shù)據增強里的旋轉和透視變換參數(shù)讓模型見過更多極端比例。1.3 Decoupled Head分類和回歸為什么要分開YOLOv5的檢測頭是耦合的同一個特征圖通道同時負責輸出類別概率和邊界框坐標。YOLOv8改成了解耦頭Decoupled Head分類和回歸各走各的分支。分類分支輸出目標類別的概率分布回歸分支輸出邊界框的四個數(shù)值。這個改動在原理上其實很好理解分類任務關注的是“這個區(qū)域內是什么”回歸任務關注的是“這個物體精確在哪里”兩者的優(yōu)化目標存在沖突。如果共享同一個特征表示訓練時梯度會互相干擾。解耦之后每個分支都能學習到更適合自己任務的特征。我舉個例子你就明白了一輛側翻的車分類分支會關注車輛整體的輪廓信息而回歸分支需要更精確地定位車頭和車尾的邊緣如果這兩個信息共用一套權重就和讓同一個人同時干會計和銷售一樣效率很低。在YOLOv8的實際實現(xiàn)中分類分支和回歸分支并不是完全獨立的它們共享一部分backbone和neck的特征只在head部分分開。這樣既保證了效率又解決了沖突。我在C部署時也印證了這個設計的高效性解耦頭輸出經過sigmoid之后類別和框的誤檢率明顯降低了。2. 檢測分支原理從標簽分配到損失函數(shù)YOLOv8的檢測分支是整個算法的核心也是它和v5在訓練機制上差距最大的地方。這一節(jié)我把標簽分配、損失函數(shù)和后處理這三個關鍵環(huán)節(jié)展開來說。2.1 TaskAlignedAssigner動態(tài)標簽分配策略YOLOv5使用的是靜態(tài)分配策略先把anchor和ground truth做IoU匹配超過一定閾值就認為是正樣本否則是負樣本。這個策略的問題在于IoU閾值設低了容易引入低質量預測框設高了又容易漏掉一些真實目標。YOLOv8用的是TaskAlignedAssigner屬于動態(tài)分配策略它根據分類得分和回歸質量的綜合指標來決定樣本劃分。具體計算方式是這樣的對每個ground truth先計算它與所有候選預測框的對齊度量alignment metric這個度量等于分類得分乘以IoU的幾何平均t s^α * u^β其中s是分類得分u是預測框與gt的IoUα和β通常都取0.5。每個gt只選取對齊度量最高的top-k個預測框作為正樣本。這么做的好處是當模型對某個目標的分類置信度很高但位置預測不準時不會被硬塞進正樣本反過來說位置預測準但分類置信度低的預測框也會被限制避免垃圾框參與訓練。我在訓練中就直接感受到了動態(tài)分配的好處。用v5訓練的時候跑完80個epoch需要手動對每個類別去調anchor比例整個過程非常痛苦v8完全不用管訓練開始后模型會自己逐漸學會把正負樣本分到正確的位置尤其適合類別多、尺度差異大的數(shù)據集。2.2 回歸損失CIoU與DFL的配合YOLOv8的回歸損失由兩部分組成CIoU Loss和DFL Loss。先說CIoU它是在IoU Loss的基礎上加了中心點距離和寬高比的懲罰項可以讓預測框更快地“拉近”到真實框CIoU 1 - IoU ρ2(b, b_gt)/c2 αv其中ρ2是預測框中心點和gt中心點的歐氏距離c是最小外接矩形的對角線長度v是寬高比的一致性度量α是平衡系數(shù)。這里面的核心思想是不僅在IoU層面讓兩個框盡量重合還要求中心點盡量接近、寬高比盡量一致。我在實際使用中體會最深的是CIoU在目標遮擋場景下的收斂速度比普通IoU快不少因為即使兩個框重疊區(qū)域很小中心點距離懲罰仍然會讓梯度持續(xù)有效。DFLDistribution Focal Loss可能很多剛接觸v8的同學不熟悉。它的作用是讓回歸分支不直接輸出一個具體的坐標數(shù)值而是輸出一個概率分布然后通過加權求和得到最終坐標。原文的核心觀點是目標的邊界不是絕對精確的不同像素位置的模糊程度不同比如隔著草叢看一只兔子兔子的邊緣到底是哪一行像素本身就存在主觀性。DFL讓模型學習這種不確定性輸出的分布越收斂說明邊界越清晰。DFL的計算方式在代碼里是用交叉熵實現(xiàn)的我不會把公式全部抄出來你只需要知道一點它替代了之前YOLOv5里直接對坐標用MSELoss的做法讓回歸精度更高、對模糊邊界的魯棒性更好。在分割任務里這個特性尤為重要因為分割本身就是在逐像素判斷“這個點是目標還是背景”邊界區(qū)域的像素天然更模糊。2.3 推理后處理NMS與置信度閾值YOLOv8的推理階段還是會經過NMS非極大值抑制。盡管anchor-free模型輸出的預測框數(shù)量比anchor-based少了不少但同一個目標周圍仍然可能有多個高置信度預測框需要NMS把這些重復框去掉只保留每個類別下最大置信度的框。在工程部署時需要關注的幾個參數(shù)置信度閾值低于這個值的框直接丟棄一般設置在0.25到0.5之間數(shù)據集越雜、誤檢越多就需要設越高。IoU閾值NMS時認為兩個框重疊多少才算同一個目標默認是0.45如果你發(fā)現(xiàn)同一個目標被輸出多條結果就降低它如果發(fā)現(xiàn)兩個挨得很近的不同目標只框了一個就提高它。agnostic NMS是否做跨類別的NMS。如果開啟兩個不同類別但重疊度很高的框會被當成本質上是同一個目標只保留一個關閉的話不同類別各自做NMS互不干擾。這幾個參數(shù)在PR曲線評估時也起著決定作用我記得有一次在測試集上mAP怎么調都不漲最后發(fā)現(xiàn)是置信度閾值設置了0.5把很多原本置信度0.3~0.5之間的正確檢測結果全過濾掉了。后來改成0.25mAP立刻提升了兩個點。3. 實例分割分支YOLOv8-seg的實現(xiàn)思路實例分割和目標檢測最大的區(qū)別是不僅要標出“哪里有物體”還要把“物體的具體輪廓”畫出來。YOLOv8-seg在推理輸出中除了邊界框和類別還多了一個mask分支。它的設計思路非常巧妙不是逐像素硬分割而是借鑒了YOLACT的思想通過原型掩碼prototype mask和掩碼系數(shù)mask coefficients的組合來生成最終的分割結果。3.1 Prototype Mask先學會生成通用輪廓YOLOv8-seg在neck部分從FPN的不同層提取特征后會分出兩條路一條用于檢測頭一條用于分割頭。分割頭會在特征圖上生成一組prototype mask通俗地說這組mask是整個數(shù)據集里的“基礎形狀素材”比如圓形的邊緣、矩形的邊緣、細長的條狀物邊緣等。每個prototype mask是一個固定尺寸的特征圖假設輸出mask分辨率是160x160通道數(shù)是32那么這32個通道就是32種不同的“基礎輪廓”。在推理時任何一個檢測到的目標都可以用這32個基礎輪廓通過線性組合拼出來。這么做的好處是計算量大幅下降不需要對每個像素獨立做二分類而是只需要預測出32個系數(shù)然后做一次矩陣乘法和加和。我在實際訓練中會對這個機制的關鍵點做一個手動的可視化把prototype mask都畫出來。你看到的東西通常是有的通道專門響應橫線邊緣有的通道專門響應圓形區(qū)域有的通道響應紋理區(qū)域。這些基礎輪廓訓練得越全面分割時的“拼圖”就越精細。這個思路和PS里的圖層類似先準備一堆素材圖層再給每個目標選幾個圖層疊一下、調一下透明度就得到了最終效果。3.2 Mask Coefficients與上采樣細節(jié)實例分割分支的輸出除了從檢測頭拿到的類別和邊界框還需要從分割頭拿到每個目標的mask coefficients。假設每個實例有32個系數(shù)那么最終這個實例的掩碼就是mask sigmoid(Σ (coefficient_i × prototype_mask_i))得到的結果是一個像素值為0到1之間的mask圖表示每個像素屬于該目標實例的概率。為了把mask從模型內部的低分辨率比如160x160恢復到與原圖一樣大小需要做上采樣。YOLOv8的實現(xiàn)中是先把mask裁剪到檢測框對應的區(qū)域再進行雙線性插值上采樣這樣既能保證邊緣質量也能降低計算量。這里有一個容易踩的坑如果檢測框本身不準確分割出來的mask就會連帶出錯因為mask的計算依賴檢測框提供的區(qū)域約束。我遇到過一個情況一個目標被另一個目標遮擋了大半檢測框只框住了露出來的部分結果分割mask也只剩下露出的部分完整輪廓完全不對。這種情況單純調分割參數(shù)沒用得先把檢測頭的漏檢和框回歸精度提上去或者用更大尺寸的輸入圖像。3.3 分割損失BCE與Dice Loss的組合YOLOv8-seg在訓練時的分割分支損失函數(shù)默認使用BCE Loss也就是對每個像素做二分類判斷它屬于目標還是背景。但在很多實際任務中前景和背景的比例嚴重失衡比如一張圖像里目標只占2%BCE Loss很容易讓模型偏向預測背景導致分割結果偏小。官方代碼里其實還支持在yaml配置中調整分割損失的類型如果你發(fā)現(xiàn)mask的分割范圍總是偏小可以嘗試將分割損失切換為Dice Loss或者在BCE基礎上加一個加權系數(shù)。Dice Loss從區(qū)域重合度角度計算損失對正負樣本不平衡更魯棒。我個人的經驗是在工業(yè)零件表面缺陷分割這類目標區(qū)域特別小的任務里把mask損失從BCE換成DicemAP_mask能提升3~5個百分點。分割分支和檢測分支在訓練時共享backbone的特征因此訓練到后期分割loss和檢測loss會互相約束。如果你的數(shù)據集中某些類別分割標注特別粗糙這些類別的檢測性能也會被拉低。所以準備訓練數(shù)據時分割標注的質量遠比數(shù)量重要一個標注不閉合的多邊形會同時污染檢測和分割兩個分支的學習。4. 從數(shù)據到模型訓練自己的數(shù)據集原理講得再多最后還是要落到訓練和部署上。這一節(jié)我直接用我自己訓練一個YOLOv8分割模型的完整流程來講解你可以照著操作。4.1 數(shù)據標注與格式轉換YOLOv8支持的目標檢測標注格式是TXT文件每行表示一個目標內容格式為class_id x_center y_center width height如果是分割任務格式變?yōu)閏lass_id x1 y1 x2 y2 ... xn yn其中坐標都是歸一化到0~1之間的浮點數(shù)多邊形頂點按順序排列。我平時用Labelme標注分割數(shù)據標注完之后寫一個腳本把JSON轉成YOLO格式。腳本的核心邏輯就是讀多邊形坐標、歸一化、寫到txt需要特別注意的是坐標歸一化時要除以圖像的寬和高不能搞反否則訓練出來的結果會整體錯位。數(shù)據集目錄結構我建議這樣組織datasets/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml關鍵配置train: images/train val: images/val names: 0: person 1: car 2: defect驗證集比例一般取10%~20%。我的建議是分割任務至少保留15%因為分割任務對過擬合更敏感驗證集太少的話你很難判斷mask效果到底是模型學會了還是圖像記住了。4.2 訓練命令與關鍵參數(shù)解析官方訓練入口通常是train.pyUltralytics的CLI方式更方便yolo train modelyolov8n-seg.pt datadata.yaml epochs100 imgsz640 batch16 optimizerAdamW lr00.01對主要參數(shù)我做一下解釋model推薦從預訓練權重開始比如yolov8n-seg.pt或yolov8s-seg.pt這樣收斂快、mAP也更高。如果從頭訓練需要更多epoch數(shù)據和更長的訓練時間。imgsz輸入圖像尺寸640是默認值如果你面向攝像頭畫面中的小目標可以調到960甚至1280。但要注意分辨率變大后顯存和推理耗時都會明顯上漲。batch根據顯存調整。以GTX 1660Ti 6G顯存為例訓練yolov8n-seg時batch開到8可以跑但yolov8s-seg就得降到4再大就會OOM。如果顯存不足可以使用梯度累積比如batch4、accumulate4等價于batch16的效果。optimizer官方默認是SGD但我習慣用AdamW尤其在數(shù)據量不大時AdamW的收斂更穩(wěn)定。當然在最終調優(yōu)時SGD在長時間訓練后的mAP往往會更高一些。freeze遷移學習時如果要凍結backbone層可以設置freeze10表示凍結前10層。在數(shù)據量比較少時凍結backbone能防止過擬合。訓練過程中最重要的事情是觀察loss曲線。我一般不會只看訓練集loss還會繪制驗證集的loss曲線。如果訓練loss一直在降驗證loss漲了說明過擬合就該增加數(shù)據增強或者早停。要畫loss曲線可以使用Ultralytics集成在訓練日志里的Plotting工具如果是自己寫訓練腳本就定時記錄train/loss、val/loss并畫平滑曲線。4.3 訓練過程的異?，F(xiàn)象和應對訓練YOLOv8時最常遇到的三個現(xiàn)象我直接給你排查方向。第一loss直接變成NaN。這種情況在開啟AMP混合精度后偶爾出現(xiàn)通常是因為學習率太高或者某個類別的樣本特別少。解決方法是把lr0從0.01降到0.001并檢查數(shù)據增強里mosaic和mixup的比例不要太高比如減少為原值的一半。第二訓練了50個epochmAP還是很低。這種一般不是模型問題而是數(shù)據問題。先檢查標注有沒有錯位、類別有沒有漏標再檢查類別數(shù)量是不是過于不均衡。如果某個類別只有幾十個樣本建議先做數(shù)據增強或者用訓練好的模型做半自動標注人工修正后再投入訓練。第三訓練明明收斂了但驗證時分割mask的邊界有鋸齒。這通常是上采樣倍率太大導致的。可以嘗試提高模型在neck階段的特征分辨率或者訓練時imgsz設大一些。5. 部署落地從ONNX到TensorRT與RK3588訓練出滿意的模型只是第一步真正讓項目產生價值的是部署。YOLOv8的部署鏈路已經非常成熟了支持ONNX、OpenVINO、TensorRT、CoreML等形式。5.1 導出ONNX與TensorRT加速如果你的目標平臺是Jetson或帶NVIDIA顯卡的服務器建議走TensorRT路線。先把權重導出為ONNX再轉成TensorRT的engine文件yolo export modelyolov8s-seg.pt formatonnx opset12 simplifyTrue導出后用trtexec工具轉換我以TensorRT 8.6為例trtexec --onnxyolov8s-seg.onnx \ --saveEngineyolov8s-seg.engine \ --fp16 \ --workspace4096開啟FP16后推理速度通常能提升50%~100%精度損失在可接受范圍內。我在實際項目中測試過同一個yolov8s檢測模型在C TensorRT 8.6環(huán)境下FP16推理一張640x640圖像耗時約3~5ms而PyTorch GPU推理大概12ms提升是實打實的。C部署時最關鍵的一點是輸入輸出的預處理和解析。YOLOv8的輸出是三維tensor維度是[1, 116, 8400]其中116 4邊界框坐標 80類別數(shù) 32分割系數(shù)。后處理時先按置信度閾值過濾然后做NMS最后把保留的目標的mask系數(shù)和原型mask做矩陣乘法得到最終掩碼。有一個很多人會踩的坑ONNX導出后檢測頭的輸出經過sigmoid處理后的分類分數(shù)才能用于閾值判斷在PyTorch里這個sigmoid是自動的但C里你需要手動加上否則所有置信度都會異常地高導致大量誤檢。5.2 RK3588平臺部署的要點瑞芯微RK3588是現(xiàn)在邊緣設備上跑YOLOv8的熱門平臺我自己也在上面做過完整流程這里提幾個關鍵環(huán)節(jié)。首先需要把ONNX轉換為RKNN模型使用rknn-toolkit2工具鏈。轉換時最關鍵的是量化方式如果不做量化NPU可能無法利用其算力如果做INT8量化就需要準備一個校準數(shù)據集。校準圖片一般選500~1000張覆蓋不同場景的圖可以沒有標簽但必須和實際使用場景接近。量化后精度如果掉得太多可以嘗試用混合量化只對部分敏感層保持FP16。RK3588上部署yolov8n-seg經過合理量化和算子轉換后單幀推理時間大約能到15-25ms取決于輸入分辨率和是否有其他任務搶占NPU。如果你覺得這個速度還不夠建議直接換yolov8n或自行做輕量化改進。5.3 輕量化改進思路很多人在搜索“yolov8輕量化改進”我直接給出我個人最容易落地且有效的幾個方向。第一將backbone中的C2f替換為更輕量的結構比如移動端常用的MobileOne或ShuffleNet的block。這里要注意的是更換backbone后要保留FPN的融合尺寸避免通道數(shù)不匹配報錯。第二減少neck部分的通道寬度例如把默認的256/512通道縮減為128/256模型體積幾乎減半mAP只會損失1~2個點。第三進行知識蒸餾用一個精度高的yolov8x模型作為teacher給yolov8n模型提供軟標簽讓小模型從大模型的預測分布中學到更多信息這是目前輕量化模型保持精度的最有效手段。如果你在搜索“yolov8改進”是希望提升精度而不是壓縮模型我建議優(yōu)先改損失函數(shù)權重或數(shù)據增強而不是無腦改網絡結構。先用大模型打底再用更復雜的注意力機制如ASFF、CBAM加入neck部分效果會更可控。6. 常見問題與排查技巧實錄在訓練和部署YOLOv8的過程中我積累了不少排查經驗這一節(jié)全部整理出來以速查表加詳細備注的形式呈現(xiàn)希望能幫你少走彎路。問題可能原因解決方案訓練時loss為NaN學習率過高、AMP不穩(wěn)定、數(shù)據有異常降低lr0至0.001關閉AMP或用float16手動混合精度檢查數(shù)據集是否有空標注或全黑圖顯存不足batch過大、輸入分辨率過大減小batch開啟梯度累積降低imgsz使用yolov8n/yolov8s輕量版本檢測框偏移不準標簽歸一化錯誤、數(shù)據增強過強檢查標注坐標歸一化代碼降低hsv/mosaic增強強度分割mask邊緣粗糙輸入分辨率小、mask分辨率不足提高imgsz、增大NMS后處理時的mask上采樣倍率推理速度太慢未用TensorRT/NPU、模型過大導出為engine并開啟FP16或換成輕量模型必要時剪枝量化同一目標輸出多個框NMS的IoU閾值過低適當增大NMS的IoU閾值到0.6左右分類錯亂、置信度虛高后處理未做sigmoid檢查ONNX導出的輸出端結構在C側對分類分數(shù)做sigmoid除了表里的這些我補充幾個細節(jié)經驗如果你用PyCharm在Windows上跑YOLOv8環(huán)境配置最大的坑不是CUDA而是Python版本和PyTorch版本不匹配裝不上GPU版。推薦組合是Python 3.9 PyTorch 1.13.1 CUDA 11.7不推薦在Windows上用太新的CUDA 12.x搭配老版本PyTorch會頻繁報算子不支持。如果在Jetson/RK3588上部署官方推薦的板端PyTorch版本通常較舊先在PC上把torch版本也統(tǒng)一是最省事的做法。訓練過程中如果想觀察每個batch的檢測輸出可以開啟plotsTrueUltralytics會在驗證目錄下生成帶框的預覽圖。我每次訓練后都會先去看這組圖而不是直接看mAP。因為有些類別雖然mAP還行但錯檢漏檢的位置肉眼一眼就能發(fā)現(xiàn)提前調整數(shù)據比盲目調參更快。在熱詞里我看到有人搜“yolov8畫損失函數(shù)曲線圖”說明不少人在訓練可視化上花了時間。這里分享一個我常用的方法訓練完后的result.png就是Ultralytics自動畫好的loss與metric曲線但如果訓練中斷了或者你想自己畫可以直接讀取訓練日志中保存成CSV格式的results.csv用pandas加matplotlib就能畫出非常漂亮的曲線代碼不到十行。關鍵是觀察train/box_loss和val/box_loss之間的gapgap越大過擬合越嚴重。最后再提醒一個部署時很容易忽略的點模型的輸入尺寸不能隨便改。導出到TensorRT或RKNN時輸入尺寸一旦固定后續(xù)在代碼里就必須用同一尺寸不要想著動態(tài)分辨率。如果你需要多分辨率輸入就要重新導出多個engine或者選擇動態(tài)輸入尺寸的runtime版本但這兩種方式的性能都會下降。YOLOv8這套算法的原理和工程落地大致就是上面這些內容了。原理部分吃透了訓練和部署自然事半功倍工程部分經驗夠了模型效果和運行效率也更容易平衡。希望這篇內容能幫你把這個模型從項目方案到實際運行串起來少踩幾個坑。