YOLOv8模型架構與可訓練參數分析

摘要：隨著人工智能技術的日新月異，神經網絡模型的復雜性與精細度正以空前的速度增長。卷積神經網絡（Convolu?tional Neural Networks， CNN） ，作為深度學習領域的關鍵技術之一，其在圖像識別、目標檢測等任務中展現出卓越性能。鑒于CNN在深度、廣度及模塊多樣性上的顯著特點，本文聚焦于ultralytics的YOLOv8這一前沿開源目標檢測項目，深入剖析其網絡架構的核心組成與工作原理，并結合項目源碼闡述關鍵層（如卷積層、池化層、殘差連接層、上采樣層、連接層） 的功能及其可訓練參數的計算方法。

關鍵詞：卷積神經網絡；YOLOv8；網絡架構；可訓練參數

中圖分類號：TP391.4 文獻標識碼：A

文章編號：1009-3044（2025）09-0025-04 開放科學（資源服務） 標識碼（OSID） ：

0 引言

目標檢測作為計算機視覺領域研究的重點和熱點。自2016 年Joseph Redmon 首次提出YOLO（Youonly Look Once） 算法以來，經過持續演進、深度迭代與持續優化，現已發展到第10個版本-YOLOv10。隨著版本的升級，模型網絡架構逐漸優化，參數量逐步增加，檢測速度更快，算法精度更高，結構設計更加靈活。毛少華[1]等人詳細分析了YOLOv1～YOLOv8的算法原理，歸納了各個版本的損失函數及其改進，并對其應用場景進行分類。王鑫杰[2]等人對YOLOv1～YO?LOv6算法的創新點、優點和局限性進行描述。周晉偉[3]等人將YOLO系列算法與已有物體檢測算法進行對比，總結了YOLO的特點，指出YOLOv算法未來的發展趨勢。徐彥威[4]等人對YOLOv1～YOLOv9的網絡架構、損失函數進行對比分析。隨著技術的發展，YOLO 目標檢測算法速度更快，精度更高，廣泛應用于自動駕駛、工業檢測、安防多個領域。

本文主要介紹CNN的常見模塊：卷積層和批量歸一化層（Batch Normalization Layer，BN Layer） ，并以YOLOv8為例，分析YOLOv8的網絡結構和詳細計算各個模塊的可訓練參數。

1 CNN 關鍵層功能解析

卷積神經網絡的整體架構分為輸入層、卷積層、池化層和全連接層[5]。神經網絡的復雜性決定了其參數的設定，其中部分參數會在訓練過程中動態調整與優化，以適應學習任務的需求，例如：卷積權重參數（在PyTorch框架中表現為Conv1d/2d/3d函數和批量歸一化函數） 。部分參數被設定為固定值，不會在訓練過程進行更新，包括池化層、激活函數以及損失函數等組件的參數，它們保持恒定不變。

隨著神經網絡深度和廣度的擴展，其結構日益復雜，泛化能力顯著提升。在此背景下，模型的可訓練參數數量成為評估模型性能與復雜度的關鍵指標。本文以PyTorch這一流行的人工智能框架為例，將深入探討卷積層（Convolutional Layer） 和批量歸一化層的具體應用、功能實現以及參數計算方式，以助力更高效的模型設計與優化。

1.1 Conv卷積

在Pytorch框架中，卷積層通常使用以下函數實現：nn.Conv1d/2d/3d、nn.ConvTranspose1d/2d/3d、nn.La?zyConv1d/2d/3d、nn. LazyConvTranspose1d/2d/3d、nn.Unfold/fold函數。在目標檢測領域，以nn.Conv2d最為常用。其函數原型及參數說明如下：

torch. nn. Conv2d（in_channels， out_channels， ker?nel_size，stride=1，padding=0，dilation=1，groups=1，bias=True，padding_mode=′zeros′，device=None，dtype=None）

Conv2d的權重參數計算公式：

可訓練參數=（輸入通道數/組數） ×卷積寬度×卷積高度×輸出通道數 （1）

根據不同的配置參數（如卷積核大小、步長、填充方式等） ，常見卷積模式如圖1所示。

1.2 BN批量歸一化

批量歸一化是一種加速深度網絡訓練的技術。它通過減少內部協變量位移（Internal Covariate Shift） 來提升訓練速度和模型性能，改善梯度傳播，強化模型的泛化性能。歸一化技術衍生出BatchNorm、Layer?Norm、InstanceNorm、GroupNorm四種模式。Yuxin Wu，Kaimin He[6]對這四種歸一化技術原理進行深入分析，如圖2所示。在Pytorch框架中，這些函數實現為nn.BatchNorm1d/2d/3d、nn.LazyBatchNorm1d/2d/3d、nn.In?stanceNorm1d/2d/3d、nn.GroupNorm等。

其函數原型與參數說明如下：

torch.nn.BatchNorm2d（num_features，eps=1e05，mo?mentum=0.1， affine=True， track_running_stats=True， de?vice=None，dtype=None）

BatchNorm2d 中包含可訓練參數，參數計算公式為：

權重參數=輸入參數×2 （3）

2 YOLOv8模型架構

根據RangeKing@github 繪制的YOLOv8 的網絡架構圖，其整體結構分為Backbone、Neck、Head三部分。Backbone負責提取特征，主要由卷積模塊（Con?Module）、CSPLayer_2Conv 以及SPPF 三類模塊組成；Neck主要負責多尺寸特征的融合，通過Shotcut層連接Backbone部分Stage Layer2/3/4的輸出以提升特征表現能力。Head 部分采用解藕頭結構（Decoupled-Head） ，由卷積模塊和Conv2d組成，負責邊界框回歸和分類任務的損失計算。

3 網絡結構參數說明

YOLOv8n的網絡框架總共包含23個模塊，可訓練參數模塊17個，無可訓練參數6個，神經網絡225 層。當目標檢測數量為80時，全部參數3 157 200個，可訓練參數3 157 184個。

根據官方提供的配置文件，以YOLOv8.yaml 為例，文件中提供了nc、scales、backbone、head四類配置參數。具體含義如下：

nc：目標檢測數量

scales：模型深度和寬度縮放因子，第一列控制模型深度，第三列控制模型寬度，第三列控制模型最大通道數。其中n→YOLOv8n模型，s→YOLOv8s模型，m→YOLOv8m 模型，l→YOLOv8l 模型、x→YO?LOv8x模型。

backbone：backbone網絡骨架的參數，對文件中四種類型數據格式進行說明。

Head：head部分神經網絡的組成部分。有nn.Upsample、Concat、C2f、Conv、Detect五種成分。其中，C2f與Conv的參數釋義與Backbone一致。其他三種釋義如下。

4 訓練參數計算

YOLOv8的主要包含Conv、C2f、SPPF、Upsample、Concat、Detect六類模塊，均繼承自nn.Module類。其中，Upsample和Concat模塊無可訓練參數。Conv模塊包含一個二維卷積層、一個批量歸一化層和一個激活函數。C2f 模塊包含兩個Conv 對象和一個多層的Bottleneck結構，其層數對應backbone和head參數中的重復次數。Bottleneck模塊由兩個Conv對象組成，當shotcut值為True且輸入參數c1、c2相等時進行殘差連接。SPPF由兩個Conv對象和一個二維最大池化層組成。各層的詳細可訓練參數計算方式如表9所示。

5 總結

本文詳細分析了YOLOv8的神經網絡架構，介紹了22個模塊的可訓練參數計算方法。通過對各模塊可訓練參數的計算，為YOLO的架構優化、參數調整以及模型的輕量化部署提供指導。作為 one-stage 檢測算法的典型代表[7]。YOLO系列算法經過不斷地發展，在目標檢測、圖像分割、姿態估計、視覺跟蹤等工業領域得到廣泛應用。未來，隨著技術的進一步發展，YOLO 算法在更多領域將展現出巨大的潛力和價值。