基于yolo训练的无人机多目标识别程序-Cerberusdet

立项背景
在无人机目标识别场景中，有时需要在同一系统中同时完成多类目标或多任务的识别。如果为每个任务分别部署独立模型，将导致模型参数量大、推理效率低、部署和维护成本高。
因此，有必要在保证检测效果的前提下，通过结构设计实现多任务目标检测的统一与优化。

立项目标
基于 YOLO 目标检测框架，设计并实现一种共享主干网络的多目标识别方案，通过引入多 Head / Neck 结构，在同一模型中完成多个检测任务，降低整体参数量和计算开销，提高系统的实用性与部署效率。

二、软件功能与核心模块介绍
1. 软件功能介绍
支持基于 YOLO 的多目标检测
支持多个检测任务在同一模型中并行执行
通过共享主干网络减少模型参数规模
支持图片与视频流输入
提供检测结果的可视化输出

2. 核心模块介绍
（1）特征提取模块（Backbone）
负责对输入图像进行统一的特征提取，作为多个检测任务的共享基础，减少重复计算。
（2）特征融合模块（Neck）
针对不同任务配置独立的特征融合结构，在共享特征的基础上增强各任务的表达能力。
（3）检测头模块（Head）
为不同任务分别设置检测头，完成各自的目标分类与位置回归。

三、业务流程与功能背景介绍
1. 功能背景介绍
在多任务目标检测场景中，传统方案通常采用多个独立模型分别处理不同任务，存在资源占用高、系统复杂度高的问题。本项目通过统一模型结构，实现多任务目标检测的集中处理，更适合对性能和资源敏感的应用场景。

2. 业务流程说明
2.1. 训练流程
收集多任务标注数据，每个任务拥有独立的训练集
数据统一格式，方便输入共享主干网络
所有任务的数据都会用于更新共享的 Backbone，确保基础特征表示能力适用于所有任务
Backbone 学习通用特征，减少模型参数重复
每个任务独立训练自己的 Neck 与 Head 模块
根据任务目标进行优化，保证任务专有特征有效提取
与共享 Backbone 协同工作，实现多任务并行优化
训练过程中，Backbone 与各任务分支交替优化
最终得到既共享通用特征，又具备多任务检测能力的模型

2.2 使用流程
Backbone 对输入数据提取通用特征，作为多任务检测基础
各任务独立的 Neck & Head 模块接收共享特征
输出各自的检测结果（如不同目标类别或任务指标）
将各任务检测结果汇总
支持视频流叠加显示或输出结构化数据（CSV/JSON）
汇总检测结果并进行可视化输出

1. 整体架构
本项目在 YOLOv8 原有结构基础上进行二次包装和多任务扩展。YOLOv8 本身具有灵活的特征传递机制，存在所谓的“跨层桥接”（skip connections），即部分中间层特征会直接传递至更高层进行融合。通过学习和理解这一机制，本项目在原有 Backbone 后增加了多个 Neck 与 Head 模块，实现多任务目标检测，同时共享主干特征。

整体架构特点如下：
共享 Backbone：原 YOLOv8 主干网络作为多任务特征提取基础
多任务 Neck & Head：为每个任务单独设计 Neck 与 Head，保证各任务的专有特征处理
自定义桥接逻辑：根据任务需求，将 Backbone 中间层特征按桥接方式传递至各任务分支，实现多任务信息融合
模型包装：在拆解原有 YOLOv8 结构后，对 Backbone、Neck、Head 重新组合，形成可复用、多任务的统一模型

2. 项目工作内容
学习并理解 YOLOv8 内部特征桥接机制
拆解原有模型结构，识别关键中间层及其嵌套关系
在原有 Backbone 后增加多任务 Neck 与 Head 模块
调整数据流和特征传递逻辑，使新增模块能够正常接入原模型
对模型进行重新封装，实现统一训练与推理流程

3. 遇到的问题与解决方法
问题：YOLOv8 模型存在大量嵌套结构，例如单层模块被多层自定义命名模块和常用模块包装，形成三层甚至更多嵌套，使得拆解和理解模型逻辑复杂。
解决方法：逐层分析模型结构，绘制特征传递图，确定关键桥接节点；按照桥接逻辑拆解 Backbone，确保特征传递正确后，安全地增加 Neck 与 Head 模块，实现多任务功能。