YOLOv8面试知识
🧠 一、基础原理类
1️⃣ Q: YOLOv8 相比 YOLOv5 有哪些改进？
答：
-
网络结构上：
- 去掉了 anchor（使用了 anchor-free 机制，类似于 YOLOX）。
- 默认 backbone 使用 C2f（Conv + 2 feature fusion） 结构替代了 CSP。
- 使用了 RT-DETR 风格的 decoupled head（分类与回归分支解耦）。
-
预测框格式：
- 从 YOLOv5 的
[x_center, y_center, w, h]变为[x1, y1, x2, y2]，统一为检测框左上+右下角。
- 从 YOLOv5 的
-
支持任务更多：
YOLOv8-cls、YOLOv8-det、YOLOv8-seg、YOLOv8-pose、YOLOv8-track。
⚙️ 二、训练部署类
2️⃣ Q: 如何使用 YOLOv8 进行小目标检测优化？
答：
- 提高输入图像分辨率（如从 640 提到 1024）。
- 修改模型结构，增加浅层特征（如添加
P2层）。 - 调整
imgsz、stride、anchor-free参数。 - 加强小目标数据增强（如 Mosaic、Copy-Paste）。
- 适当加权小目标类别损失。
3️⃣ Q: YOLOv8 的部署方式有哪些？
答：
- Python 脚本部署：直接使用 Ultralytics 的 API。
- ONNX 导出：用于部署到 TensorRT、OpenVINO、NCNN。
- TorchScript 导出：支持 Pytorch Mobile。
- Web部署：可结合 FastAPI + WebSocket。
- 边缘设备部署：Jetson Nano、Orin、Raspberry Pi。
📈 三、损失函数与评估类
4️⃣ Q: YOLOv8 使用了哪些损失函数？
答：
- CIoU 损失：回归框位置。
- BCE Loss：分类损失。
- DICE Loss / BCE（分割任务中）：用于 mask。
- 总损失 = 分类损失 + 框损失 + 置信度损失
5️⃣ Q: YOLOv8 的评估指标有哪些？
答：
- mAP@0.5
- mAP@0.5:0.95（主指标）
- Precision / Recall
- FPS / latency（推理性能）
🛠 四、工程能力类
6️⃣ Q: 你如何在实际工业项目中使用 YOLOv8？
答（结合真实项目）：
- 在动车零部件图像检测中，使用 YOLOv8 训练缺陷识别模型；
- 对图像进行自动标注 + 自研增强 pipeline；
- 使用 YOLOv8 的
task=segment变体进行划痕分割； - 模型部署在 Jetson AGX Orin，通过 TensorRT 加速；
- 使用 confidence 阈值 + 多模型融合 提高精度。
7️⃣ Q: YOLOv8 怎么实现多类别缺陷检测和分割？
答：
- 在数据集中设置多类 label（不同缺陷类型为不同类别）。
- 使用
yolo task=seg模式训练。 - 输出为多个类别的 mask，训练时采用 DICE+CE loss 组合。
- 后处理中根据置信度和类别标签分别显示或统计结果。
🧪 五、衍生与延展问题（面试官喜欢问）
| 问题 | 要点 |
|---|---|
| 如何理解 anchor-free 与 anchor-based 的区别？ | Anchor-free 更简洁，适用于多尺度或小目标；YOLOv8 默认 anchor-free。 |
| YOLOv8 与 RT-DETR 相比有何优势？ | YOLOv8 推理速度更快，结构更轻；RT-DETR 更强但慢。 |
| YOLOv8 如何结合 SAM（Segment Anything）使用？ | 可作为前处理或后处理模块，提高分割精度或边缘细化。 |
| 如何解决过拟合？ | 增强数据、多模型集成、使用 dropout、early stopping。 |
| YOLOv8 与 YOLO-NAS、YOLOv9 的对比？ | YOLO-NAS 精度更高但速度略慢；YOLOv9 引入更强训练技巧。 |
🧾 六、总结
在实际工业视觉项目中，使用 YOLOv8 的分割分支 (
yolov8-seg) 实现了高精度缺陷检测，通过 anchor-free 解耦头结构提升小目标检测能力，并结合 ONNX + TensorRT 实现低延迟边缘部署。