1.Yolov8介绍

         Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的（SOTA）模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。它可以在大型数据集上进行训练，并且能够在各种硬件平台上运行，从CPU到GPU。

具体改进如下：

1. Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；

2. PAN-FPN：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块；

3. Decoupled-Head：是不是嗅到了不一样的味道？是的，YOLOv8走向了Decoupled-Head；

4. Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；

5. 损失函数：YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；

6. 样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式

框架图提供见链接：Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub

2.交通标志牌（TT100K）数据集介绍

TT100k训练集6680张，验证集955张，类别共45类

# class names
names:0: i21: i42: i53: il1004: il605: il806: io7: ip8: p109: p1110: p1211: p1912: p2313: p2614: p2715: p316: p517: p618: pg19: ph420: ph4.521: ph522: pl10023: pl12024: pl2025: pl3026: pl4027: pl528: pl5029: pl6030: pl7031: pl8032: pm2033: pm3034: pm5535: pn36: pne37: po38: pr4039: w1340: w3241: w5542: w5743: w5944: wo

3.训练结果分析

confusion_matrix.png ：列代表预测的类别，行代表实际的类别。其对角线上的值表示预测正确的数量比例，非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好，这表明许多预测是正确的。

 上图是TT100K检测训练，有图可以看出 ，分别是破损和background FP。该图在每列上进行归一化处理。则可以看出破损检测预测正确的概率为91%。

F1_curve.png：F1分数与置信度（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0，1之间。越大越好。

TP：真实为真，预测为真；

FN：真实为真，预测为假；

FP：真实为假，预测为真；

TN：真实为假，预测为假；

精确率（precision）=TP/(TP+FP)

召回率(Recall)=TP/(TP+FN)

F1=2*（精确率*召回率）/（精确率+召回率）

 labels_correlogram.jpg ：显示数据的每个轴与其他轴之间的对比。图像中的标签位于 xywh 空间。

 labels.jpg ：

（1，1）表示每个类别的数据量

（1，2）真实标注的 bounding_box

（2，1） 真实标注的中心点坐标

（2，2）真实标注的矩阵宽高

 P_curve.png：表示准确率与置信度的关系图线，横坐标置信度。由下图可以看出置信度越高，准确率越高。

 PR_curve.png ：PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系。

 R_curve.png ：召回率与置信度之间关系

 预测结果：