YOLOv8 检测：结构、边界框解码与输出张量

范围与结构

本文讨论普通 YOLOv8 水平矩形框目标检测，不把分割、姿态与旋转框的输出混用。官方模型说明确认 YOLOv8 使用无锚框、分类与回归分支分离的检测头。YOLOv8 文档

处理链是：输入图像预处理 → 骨干网络提取特征 → 多尺度特征融合 → 检测头预测位置与类别 → 后处理。

原图为已有笔记保留的结构参考，图中署名 RangeKing；实现细节以所使用的模型配置和代码版本为准。C2f 用于特征处理，SPPF 聚合不同感受野的信息，多尺度输出帮助处理大小不同的目标。

无锚框不等于没有参考位置

旧锚框方法可能用预设框宽高 $p_w,p_h$ 计算 $w=p_w e^{t_w}$、$h=p_h e^{t_h}$。这不是本文 YOLOv8 检测头的解码公式，旧笔记中混入的对应图片已移除。

以 v8.3.0 的实现为例，网络在特征图参考点附近预测到框四边的距离。设参考点为 $(a_x,a_y)$，距离为 $(l,t,r,b)$，则在该特征层坐标中：

$$x_1=a_x-l,\quad y_1=a_y-t,\quad x_2=a_x+r,\quad y_2=a_y+b.$$

换成中心与尺寸：

$$c_x=\frac{x_1+x_2}{2},\quad c_y=\frac{y_1+y_2}{2},\quad w=x_2-x_1,\quad h=y_2-y_1.$$

再按对应步长换算到网络输入尺度。距离回归使用离散分布时，某一边的距离可写成期望 $d=\sum_k k\,p_k$，其中 $p_k$ 是该边离散位置的归一化概率。代码中的 anchors 可指参考点，并不意味着存在预设宽高的锚框。固定版本 Detect、dist2bbox 与 make_anchors

为什么常见输出是 1 × 84 × 8400

假设批量为 1、网络输入为 $640\times640$，三个检测层步长为 8、16、32：

$$N=(640/8)^2+(640/16)^2+(640/32)^2 =80^2+40^2+20^2=8400.$$

COCO 检测模型有 80 个类别，常见的已解码、未执行 NMS 的导出输出每个候选包含 4 个框坐标和 80 个类别分数，于是通道数为 $4+80=84$。这一格式没有另外一个需要再乘的独立 objectness 通道。

类别数、输入大小、导出选项和任务类型改变时，形状也会改变。先读取实际张量维度，不能只按某张图硬编码。

后处理顺序

1. 确认输出布局是 [B,C,N] 还是其他布局；必要时转成逐候选的 [N,C]。
2. 从类别分数选取类别与分数，按阈值筛选；这一步不等于 NMS。
3. 将中心宽高转换为角坐标，按所用策略执行类别相关或无关的 NMS。
4. 撤销预处理中的缩放与 padding，映射回原图并裁剪边界。
5. 检查导出模型是否已内置 NMS；已处理过的输出不要再按原始候选格式重复解析。

一份可复现记录至少写明：权重名称、Ultralytics 版本、任务、输入尺寸、预处理方式、导出选项以及运行时读取的输出形状。