摘要
在本文中，我们成功应用蒸馏策略以实现YoloV8小模型的无损性能提升。我们采用了MimicLoss作为蒸馏方法的核心，通过对比在线和离线两种蒸馏方式，我们发现离线蒸馏在效果上更为出色。因此，为了方便广大读者和研究者应用，本文所描述的蒸馏方法仅保留了离线蒸馏方案。此外，我们还提供了相关论文的译文，旨在帮助大家更深入地理解蒸馏方法的原理和应用。
YOLOv8n summary (fused): 168 layers, 3011888 parameters, 0 gradients, 8.1 GFLOPsClass Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5.86it/s]all 230 1412 0.859 0.818 0.884 0.591c17 230 131 0.905 0.924 0.971 0.755c5 230 68 0.903 0.882 0.965 0.745helicopter 230 43 0.877 0.86 0.879 0.521c130 230 85 0.874 0.896 0.952 0.615f16 230 57 0.715 0.842 0.902 0.555b2 230 2 1 0.577 0.995 0.373other 230 86 0.332 0.895 0.785 0.381b52 230 70 0.865 0.971 0.971 0.788kc10 230 62 0.953 0.968 0.982 0.768command 230 40 0.843 0.975 0.968 0.726f15 230 123 0.927 0.854 0.931 0.599kc135 230 91 0.867 0.912 0.956 0.624a10 230 27 0.87 0.519 0.777 0.259b1 230 20 0.868 0.85 0.934 0.569aew 230 25 0.847 1 0.972 0.744f22 230 17 0.698 0.953 0.812 0.579p3 230 105 0.993 0.962 0.99 0.756p8 230 1 0.695 1 0.995 0.597f35 230 32 0.879 0.455 0.789 0.388f18 230 125 0.979 0.976 0.99 0.769v22 230 41 0.907 0.927 0.967 0.599su-27 230 31 0.899 0.968 0.984 0.748il-38 230 27 0.853 0.963 0.958 0.691tu-134 230 1 1 0 0.332 0.265su-33 230 2 1 0 0.117 0.062an-70 230 2 0.717 1 0.995 0.796tu-22 230 98 0.927 0.969 0.986 0.681
Speed: 0.2ms preprocess, 1.6ms inference, 0.0ms loss, 1.4ms postprocess per image
