深入解析YOLOv8模型输出、后处理流程及DFL计算

本文详细总结了YOLOv8模型前向推理过程中，最终在其检测头部分所输出的数据结构，并阐述了从原始输出到获取最终检测框的完整后处理流程。

YOLOv8模型的推理输出

正如之前对网络架构的解读，YOLOv8在主干网络和颈部网络的设计上延续了YOLOv5的思路，但其检测头部分进行了革命性改进。它不仅摒弃了自YOLOv2以来使用的Anchor-based（基于锚框）方案，还引入了Decoupled Head（解耦头）和DFL（Distribution Focal Loss）。

下图清晰地展示了YOLOv5与YOLOv8检测头结构的核心区别：

经过以上改进，对一张输入图片进行推理时，YOLOv8的原始输出通常是一个形状为 (1, 8400, 4+NC) 的张量。其中：

• 1：代表batch size，即一张图片的推理输出。
• 8400：预测框的总数量。这是三个特征尺度下输出特征图上所有像素点的总和：
  • 80*80 = 6400 (针对小目标的P3特征图)
  • 40*40 = 1600 (针对中目标的P4特征图)
  • 20*20 = 400 (针对大目标的P5特征图)
  • 总计：6400+1600+400=8400。
• 4+NC：每个预测框的输出维度。
  • 4：预测框的坐标信息（经过解耦头处理的边界框信息）。
  • NC：对应数据集所有类别的分类置信度分数。

与YOLOv5相比，YOLOv8在输出数据上主要有两点核心区别：

1. 取消了Objectness分数：YOLOv8不再单独输出目标存在置信度。其分类分支输出的概率值已隐含了“是否存在物体”的信息。因此，YOLOv5的输出格式是5+NC，而YOLOv8是4+NC。
2. 预测框数量锐减：YOLOv5采用Anchor-based设计，每个特征图像素点会输出3个不同尺度的预测框，总数为25200个。YOLOv8采用Anchor-free设计，每个像素点仅输出1个预测框，总数仅为8400个。

注意：尽管YOLOv8输出的预测框数量减少了（只有原来的三分之一），但其检测精度反而更高。这是因为Anchor-free设计避免了锚框与目标形状不匹配的问题，配合DFL机制，模型对边界的预测是连续、分布式的，而非简单地偏移一个固定框。

最终，检测头输出的形状为 (1, 8400, 4+NC) 的张量将被送入后处理环节，通过NMS（非极大值抑制）等步骤得到最终结果。

坐标回归分支的DFL计算

如上图所示，YOLOv8的坐标回归分支（Bbox Head）会为每个预测框的四个方向（左、上、右、下）分别输出一个长度为reg_max（通常为16）的向量，表示偏移量的概率分布。因此，对于特征图上的每个像素点，坐标回归分支的输出长度为 4 * reg_max。

下面我们通过一个具体例子，说明如何从坐标分支的输出计算得到最终的预测框坐标。

假设向模型输入一张 640x640 分辨率的图片，我们关注Stride=8的特征图（即80x80分辨率的P3层）。选取该特征图上坐标为 (5, 5) 的像素点。

模型在该点坐标回归分支的输出是一个长度为64的向量。其中，预测框中心点到其左、上、右、下边界的偏移量各由16个值表示。假设左边界 L 对应的16个值中，索引3和4的值最大。首先对这16个值进行Softmax计算，得到概率分布。设 Softmax([L0...L15]) 后，p3=0.4, p4=0.6，其余位置概率为0。接着，对索引与其概率进行加权求和，得到左边界在特征图尺度上的粗略偏移量：
L_approx = 3 * 0.4 + 4 * 0.6 = 3.6

此时，由于我们选取的是特征图上坐标为 (5， 5) 的像素格，因此该像素格的中心在特征图中的位置为 (5.5, 5.5)（注意中心点坐标为像素索引加0.5）。

接下来，计算左边界在当前特征图维度（80x80）上的位置：
L_feat = 5.5 - L_approx = 5.5 - 3.6 = 1.9

最后，将此坐标换算到原始输入分辨率上。因为当前特征图的stride=8，所以需要将上述坐标乘以8：
L_orig = L_feat * 8 = 1.9 * 8 = 15.2

按照相同的逻辑，可以计算出 T_orig、R_orig、B_orig。(L_orig, T_orig, R_orig, B_orig) 就是该像素点在原始输入图片上预测的边界框坐标（中心点偏移表示法）。

在上述计算中，由于加权求和得到的偏移量 L_approx 等值在0-15之间，最终计算出的坐标值在靠近图像边缘时可能出现负数或超出640的情况。这表示预测框部分超出了图像边界。在后处理中，通常会执行clip操作，将坐标限制在 [0, 640) 的合理范围内。

YOLOv8模型输出的后处理

YOLOv8模型为每张图片输出8400个预测框，后处理的目标就是从这些预测框中筛选出最终有效的检测框。整个后处理流程主要包括三个步骤：解码（Decoding）、阈值过滤（Thresholding）和非极大值抑制（NMS）。这个过程是许多计算机视觉应用中的关键环节。

Logits解码

YOLOv8检测头的直接输出是原始预测值（logits），并非最终的坐标和概率。

• 分类分支：输出的是各个类别的Logits，需要通过Sigmoid激活函数将其转换为 [0， 1] 之间的概率值。
• 坐标回归分支：输出的是距离中心点左、上、右、下四个方向的概率分布。按照上一节描述的DFL计算过程，可以得到预测框的坐标 (L， T, R, B)。

阈值过滤

这一步非常简单，但能过滤掉绝大部分无效预测框：

1. 获取最大类别概率：对于每个预测框，在其NC个类别分数中，找到数值最大的那个，作为该框的置信度分数。
2. 设定置信度阈值：设置一个conf_thres（例如0.25），该值通常在推理参数中指定。
3. 初步过滤：保留所有置信度分数高于conf_thres的预测框，丢弃所有低于该阈值的框。绝大多数背景框或低质量预测框会在此步骤被剔除，通常过滤率超过90%。

非极大值抑制（NMS）

经过阈值过滤后，剩余的框可能仍存在大量重叠，即多个框指向同一个物体。NMS算法用于消除这些冗余框。

在进行NMS之前，数据通常被整理为一个 (N, 6) 的矩阵，其中N是经过阈值过滤后剩余的框数量。每行包含：

• 预测框坐标（4列）：[x1， y1， x2， y2]（左上右下格式）或 [L， T, R, B]。
• 置信度分数（1列）：该框属于其对应类别的概率。
• 类别索引（1列）：该框预测的类别ID。

NMS的标准执行流程如下：

1. 排序：将候选框列表按照置信度分数从高到低进行降序排列。
2. 选取最高分框：选取当前列表中分数最高的框 M，将其放入最终检测结果列表。
3. 计算IoU：将框 M 与列表中剩余的所有框 B_i 逐一计算交并比（IoU）。
4. 抑制冗余框：如果某个框 B_i 与 M 的IoU超过了预设的iou_thres（通常为0.45到0.7），则认为 B_i 是重复预测，将其从候选列表中删除。
5. 循环：重复步骤2-4，直到候选框列表为空。

iou_thres 这个参数至关重要：

• 设置过高（如0.9），可能导致重复框未被抑制。
• 设置过低（如0.1），当两个真实物体距离很近时，可能会错误地抑制掉其中一个。

通过解码、过滤和NMS这一套完整的后处理流程，YOLOv8最终输出的是精简、准确的检测框列表，为后续应用提供可靠的目标信息。这种从大量候选框中高效筛选出有效结果的能力，正是现代高效模型训练与部署所追求的目标之一。