YOLOV8n.yaml

### YOLOv8n YAML 文件内容及配置说明

#### 模型基本信息
Ultralytics YOLO 🚀, AGPL-3.0 license 表明此代码由 Ultralytics 发布并遵循 AGPL-3.0 开源协议。YOLOv8 是一种用于目标检测的模型，使用 P3-P5 作为输出层[^2]。

#### 目标类别数量
`nc: 80` 定义了模型支持的目标类别数量，默认为 80 类，这与 COCO 数据集兼容。

#### 模型规模设置
对于 `YOLOv8n.yaml` 文件而言，其特定于 nano 版本 (n)，这是最小巧但速度最快的版本之一。以下是具体参数：

# Model version and type
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple

这些乘数决定了网络层数量以及每层通道的数量比例，使得 nano 版本具有较少的计算资源需求却能保持一定性能水平。

#### 主干网络 Backbone
主干部分定义了特征提取的基础架构，在 nano 版本中通常会简化一些复杂度较高的组件来减少运算负担:

backbone:
  - [focus, [64, 3]]    # Focus wh information into c-space
  - [conv, [128, 3, 2]]
  - [csp1, [128]]
  - [conv, [256, 3, 2]]
  - [csp2, [256]]
  - [conv, [512, 3, 2]]
  - [spp, [512]]        # Spatial Pyramid Pooling
  - [csp2, [512]]

这里包含了焦点层（Focus）、卷积层（Conv）、跨阶段局部网路(CSPNet) 和空间金字塔池化(SPP)[^4]。

#### Neck 结构
Neck 部分连接 backbone 和 head，负责多尺度融合等功能：

neck:
  - [conv, [256, 1, 1]]
  - [upsample, []]
  - [cat, [-1, 7]]      # Concatenate with CSP2 output from backbone
  - [csp1, [256, False]]
  - [conv, [128, 1, 1]]
  - [upsample, []]
  - [cat, [-1, 4]]      # Concatenate with CSP1 output from backbone
  - [csp1, [128, False]]
  - [conv, [128, 3, 2]]
  - [cat, [-1, 11]]
  - [csp1, [256, False]]
  - [conv, [256, 3, 2]]
  - [cat, [-1, 9]]
  - [csp1, [512, False]]

通过上采样操作和跳跃连接实现不同层次间的信息交互。

#### Head 输出头
最后是预测头部的设计，它将处理后的特征图转换为目标框坐标、分类得分等最终输出形式：

head:
  - [detect, [[nc], [anchors]]]

其中 `nc` 对应前面提到的目标类别数目；而 anchors 则是一组预设边界框尺寸，帮助算法更好地适应各种形状的对象。