前言
在深度学习范畴，YOLO（You Only Look Once）系列目的检测算法依附其高效性和准确性，广泛应用于各种现实场景中，比方主动驾驶、安防监控和农业监测等。随着算法的不断发展，YOLO 的网络布局徐徐优化，比方 YOLOv8 和 YOLOv11 引入了更加轻量化、高效的模块，使得模型在速度和精度上达到了新的平衡。然而，对于研究者来说，直接使用现成的模型并不能满足某些特定任务的需求，因此对网络布局进行自界说修改和优化就显得尤为紧张。
为了便于研究人员在论文中直观展示自己改进后的网络布局，清楚地表达创新点，绘制网络布局图是一项关键工作。本文以 YOLOv8 和 YOLOv11 的网络布局为底子，分别详细讲解如何通过visio工具绘制属于自己的网络布局图，帮助研究人员更好地出现模型的改进细节。
无论是针对初学者还是有经验的深度学习研究者，本文都将为您提供清楚的引导和实用的技巧，使您能够快速上手绘制高质量的网络布局图，为您的研究工作增添亮点。
网络布局图必要按照训练时使用到的yaml文件绘制，以下是详细的方法。
本文所用软件为Visio，安装方式我的公众号文章中有写到，可以访问百度网盘下载，提取码xlth 。
可以看我的公众号文章
画图工具Visio下载安装与激活
YOLOv8网络布局图
起首查看yolov8的yaml文件，只查看下面的backbone和head部分就可以。
总览
根据这个yaml，可以看出yaml文件的布局， [from, repeats, module, args]表示层的泉源、重复次数、模块类型和参数，from：表示该模块的输入泉源，如果为-1则表示来自于上一个模块中，如果为其他详细的值则表示从特定的模块中得到输入信息，为列表如[-1,6]则表示来自上一层和第6层；将全部的模块添加到visio软件中，一共有7个Conv，8个C2f，1个SPPF，2个Upsample，4个Concat，3个Detect，全部添加如下图，每个不同的模块可以设置不同的颜色，这样更加雅观一些。
添加好之后按照次序从上往下，逐层往下，第一层为0，第二层为1...，因此本文中全部的层数从0开始计算。
backbone
因此先把backbone部分按照次序放在同一列，并用箭头依次连接，如下图。
如果这里添加了注意力机制或者修改了主干网络，仍然是按照次序，更换或者添加相应的部分，比如下面的yaml文件，更改了GhostConv和C3Ghost，添加了CBAM注意力机制，主干布局如下图
根据这个yaml，可以看到大部分的Conv都被GhostConv更换，C2f全部被C3Ghost更换，在第10层添加了CBAM，因此我们的布局图必要相应修改如下。
neck
主干部分绘制结束，接下来看下图默认的yolov8中head中全部元素，末了Detect先忽略。
可以看到第11层、14层、17层的Concat的from为列表，分别是-1和对应的层（从0开始），因此绘制时必要注意应该从两个位置吸收，因此有两个箭头指向Concat。
绘制出来大概长这个样子， 以左下角的Upsample为第10层，左下角的C2f为第21层，这样绘制是因为第11层的Concat还必要传入第6层的C2f，第20层的Concat还必要传入第9层的SPPF，推荐先这样画方便末了整合，这部分属于neck，也就是颈部。
完整的网络布局图
末了是3个检测头，分别从第15、18、21层传入Detect，因此合并后的完整的网络布局图如下（微信公众号发送 网络布局图 有无水印版本），再在最上方加个输入，即完成。
修改模块的网络布局图
如果是修改了模块，仍然是更改了GhostConv和C3Ghost，添加了CBAM注意力机制，yaml文件如下。
这个绘制成的网络布局图应该为
必要Visio源文件的可通过公众号获取
YOLOv11网络布局图
YOLOv11的网络布局图绘制与YOLOv8的方法一样，我们先查看YOLOv11的yaml文件。
总览
根据这个yaml，可以看出yaml文件的布局， [from, repeats, module, args]表示层的泉源、重复次数、模块类型和参数，from：表示该模块的输入泉源，如果为-1则表示来自于上一个模块中，如果为其他详细的值则表示从特定的模块中得到输入信息，为列表如[-1,6]则表示来自上一层和第6层；可以看到相比YOLOv8，将C2f更换为C3k2模块，第9层之后增加C2PSA模块，将全部的模块添加到visio软件中，一共有7个Conv，8个C3k2，1个SPPF，1个C2PSA，2个Upsample，4个Concat，3个Detect，全部添加如下图，每个不同的模块可以设置不同的颜色，这样更加雅观一些。因此先将全部的模块列出来。
添加好之后按照次序从上往下，逐层往下，第一层为0，第二层为1...，因此本文中全部的层数从0开始计算。
backbone
因此先把backbone部分按照次序放在同一列，并用箭头依次连接，如下图。
如果这里添加了注意力机制或者修改了主干网络，仍然是按照次序，更换或者添加相应的部分，与上面YOLOv11的方法一致，这里不再赘述，不懂的可以批评区问。
neck
主干部分绘制结束，接下来看下图默认的yolov8中head中全部元素，末了Detect先忽略。
绘制出来大概长这个样子， 以左下角的Upsample为第11层，右下角的C3k2为第22层，这样绘制是因为第12层的Concat还必要传入第6层的C3k2，第21层的Concat还必要传入第10层的SPPF，推荐先这样画方便末了整合，这部分属于neck，也就是颈部。
完整的网络布局图
末了是3个检测头，分别从第15、18、21层传入detect，因此合并后的完整的网络布局图如下（微信公众号发送 网络布局图 有无水印版本），再在最上方加个输入，即完成。
修改模块的布局图同理，对照着yaml画就可以，自己不会绘制的可以私信我帮忙绘制网络布局图。
必要无水印的图可以通过公众号复兴 网络布局图 获取。
必要可修改的Visio源文件的可通过公众号获取 ，感谢支持。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
