作者丨小书童

来源丨集智书童

编辑丨极市平台

1、YOLOv8_Efficient的介绍Github地址:

本项目基于ultralytics及yolov5等进行综合参考，致力于让yolo系列的更加高效和易用。

目前主要做了以下的工作：

参考中的Configuration参数，分别针对train.py、detect.py、val.py等做了相应参数的配置对齐。结合yolov5的使用习惯以及代码结构做了兼容和优化。通过在coco数据集上在自己的机器上进行验证和计算的权重的指标参数，实验记录存放在.实验数据记录在:根据计算出来的结果绘制了相应的指标参数对比图，这个绘图程序也开源在中。融合其他更多网络模型结构进行集成整合和配置，正在进行中...2、关于ultralytics的名字

为什么这个仓库取名为ultralytics，而不是yolov8，结合这个issue，笔者认为主要有以下几个方面的原因：

1.因为ultralytics团队希望将这个项目设计和建成一个集合分类，检测，分割等视觉任务的集成训练推理框架，而不仅仅只是yolov8。后续可能会有更多更全的网络模型会集成进来。2.因为pypi.org上的第三方已经把yolov6,yolov7,yolov8等名字给取了，pip install名称的规则是不允许有重复名的。

issue链接：

3、关于自定义配置模型训练

结合上面的讨论，自然而然会有这个想法，既然ultralytics要建一个集成训练框架，那么能否直接在ultralytics仓库上直接配置和训练yolov5呢，笔者做了下面一系列的尝试:

在models中加入相应的.yaml文件和yolov5沿用的模块，如common.py、experimental.py、google_utils.py在models/common.py中，加入了yolov5所需的网络结构

  class C3(nn.Module):      # CSP Bottleneck with 3 convolutions      def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion          super().__init__()          c_ = int(c2 * e)  # hidden channels          self.cv1 = Conv(c1, c_, 1, 1)          self.cv2 = Conv(c1, c_, 1, 1)          self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)          self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))        def forward(self, x):          return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))  

最后一通操作下来，已经可以根据yolov5s.yaml去读取网络结构了，但是在跑的时候还是报错。

报错信息如下：

于是针对"train_args"做了一个全局搜索，发现了下面的结果：

可以看到，之前训练出来的v8的权重内包含了"train_args"的信息。顺着程序运行的流程，相应地发现了yolo/engine/model中的"__init__(self)"函数，

    def __init__(self, model='yolov8n.yaml', type="v8") -> None:          """          Initializes the YOLO object.            Args:              model (str, Path): model to load or create              type (str): Type/version of models to use. Defaults to "v8".          """          self.type = type          self.ModelClass = None  # model class          self.TrainerClass = None  # trainer class          self.ValidatorClass = None  # validator class          self.PredictorClass = None  # predictor class          self.model = None  # model object          self.trainer = None  # trainer object          self.task = None  # task type          self.ckpt = None  # if loaded from *.pt          self.ckpt_path = None          self.cfg = None  # if loaded from *.yaml          self.overrides = {}  # overrides for trainer object          self.init_disabled = False  # disable model initialization            # Load or create new YOLO model          {'.pt': self._load, '.yaml': self._new}[Path(model).suffix](model)  

读取模型和配置是在"__init__"的最后一行:

# Load or create new YOLO model  {'.pt': self._load, '.yaml': self._new}[Path(model).suffix](model)  

而def _load(self, weights: str):中实际读取模型权重的实现是self.model = attempt_load_weights(weights)。可以看到，相比于yolov5，v8读取权重的函数attempt_load_weights，多了下面这行

args = {**DEFAULT_CONFIG_DICT, **ckpt['train_args']}  # combine model and default args, preferring model args  

那么，能否直接将v5的项目中，将相应的函数补充过来给v8做适配呢，自然是可以的，当笔者将model.py的_load函数中这行代码：

self.model = attempt_load_weights(weights)  

替换为下面这行时：

self.model = attempt_load(weights)  

重新运行了一遍，发现又出现了下面的问题:

错误信息为AttributeError: 'Model' object has no attribute 'args'，既然是Model定义和配置上的问题，那么就没有再往下修改的必要了，还是等官方团队的更新和修改吧，等等党永远不亏。

4、关于v8的多任务使用

根据官方的文档介绍，还有对代码的分析，目前v8项目是支持检测、分类和分割的。设定是通过"task"进行区分任务，又通过mode来设置是训练还是检测的模式，如下使用：

yolo task=detect    mode=train    model=yolov8n.yaml    epochs=1 ...              ...           ...           ...            segment        predict        yolov8n-seg.pt            classify        val           yolov8n-cls.pt  

4.2、预测

4.3、验证

!关于这三个任务，YOLOv8_Efficient项目后续会分别设置相应的模块用于执行，目前正在更新中。5、附件5.1、YOLOv8读取权重

def attempt_load_weights(weights, device=None, inplace=True, fuse=False):      # Loads an ensemble of models weights=[a,b,c] or a single model weights=[a] or weights=a      from ultralytics.yolo.utils.downloads import attempt_download        model = Ensemble()      for w in weights if isinstance(weights, list) else [weights]:          ckpt = torch.load(attempt_download(w), map_location='cpu')  # load          args = {**DEFAULT_CONFIG_DICT, **ckpt['train_args']}  # combine model and default args, preferring model args          ckpt = (ckpt.get('ema') or ckpt['model']).to(device).float()  # FP32 model            ...  

def attempt_load(weights, device=None, inplace=True, fuse=True):      # Loads an ensemble of models weights=[a,b,c] or a single model weights=[a] or weights=a      from models.yolo import Detect, Model        model = Ensemble()      for w in weights if isinstance(weights, list) else [weights]:          ckpt = torch.load(attempt_download(w), map_location='cpu')  # load          ckpt = (ckpt.get('ema') or ckpt['model']).to(device).float()  # FP32 model          ...  

参考

[1]..

[2]..