[本文及相关博客仅是个人学习记录，欢迎有兴趣的同学一起交流成长]
先附上我成功实践标题的工作的训练界面（实话实说，比前两次的实践复杂多了）：
1、说明：
接上我之前的博客的工作：YOLOv5(v7.0)网络修改实践二：把单分支head改为YOLOX的双分支解耦合head（DecoupleHead）
在上一篇博客我成功实践了把yolov5的单分支检测头结构改为了yolox的解耦合双分支检测头结构，只是结构。初衷是训练一下个人的算法复现集成能力，于是选了宣称比yolov5更加成功的yolox的网络进行复现到常用的yolov5框架中。先是换backbone，再是换双分支head，此次是把anchor-free替换到yolov5中。
基于复现的难度，在实现双分支解耦合head后，我发现要把anchor-free集成进来还有些复杂，因为我还不够熟悉锚框模块怎么去替换，而且他是自带的目标信息编解码方式和损失函数计算，直接集成到v5框架，会导致没法正常训练，于是重新思考复现办法。考虑到目前提出的yolov8也是采用anchor-free算法，而且在yolov5的工作上有一定的延续性，可以进行参考修改，不需要做太多的基础工作。于是目标就转到了在实现了双分支解耦合检测头的基础上集成yolov8的anchor-free算法到yolov5。
可能会有疑惑有现成的yolov8可以用，而且框架那么先进，直接用yolov8不是更好吗？这也确是一方面。但是我主要还是想尝试下这项工作，而且yolov8框架集成度高，有现成的ultralytics库可以调用，非常方便。但是也正由于这个库的存在，导致一些算法调试工作更加复杂，而且v8用着没有v5舒服，加之之前已经在v5上做了一些工作，为了方便对比之前的工作加深自己的理解，所以还是在v5上进行了。
2、遇到的一些困难
本文的工作做下来，有些地方是耗时多的，暂且总结一下遇到的困难或者说是可以避免的问题。
1、把anchor-based替换成anchor-free，这个是检测头head那块，要去掉锚框操作使用anchor-free的编解码方式，需要保证数据流通正常
2、训练阶段发现yolov8的数据加载进行了升级，yolov5不方便训练，于是我用了v8的数据集加载方式，其实大同小异，这项工作可以避免
3、训练过程中的参数，v8用了更多的参数，而且使用了不同的损失函数，要添加并正常训练
4、验证阶段的模型精度评价，这块有点复杂，我用的v5的数据加载函数，中间变量做了变换，但是预测输出和nms后处理要注意，有的要进行替换，涉及到anchor-free的解码
3、训练过程的具体工作
1、结构上：
yolo.py定义的DetectYOLO8Head:
在DetectionModel类构建检测头DetectYHOLO8Head还要去掉多个尺度的锚框生成
在common.py加上DFL类定义：
2、训练流程：
参数补充上，我加了一个参数标志，新加了anchor-free检测头需要的参数
数据加载上，我用的v8的函数加载，因为在后面训练时发现数据加载方式不一样，无法正常训练，其实也可以不用这样，自己再包装一下也可以达到v8的形式，我这是复杂化了，所以我验证阶段就不用v8的形式了
数据训练：
损失函数和其他参数：
4、验证阶段的具体工作：
训练完一个epoch后会验证模型的精度，这时会调用val.py的run函数进行验证并输出精度指标
在val.py的代码：
主要是数据加载方式，部分数据转换，后处理nms等
可以看见，这里我用的是v5的数据集加载方式，所以中间做了变换方便数据处理衔接上，另一个是后处理nms，这个必须要替换，因为preds的维度在anchor-based和anchor-free对位置的解码方式完全不一样的，所以要替换。
正常训练图：
到这里基本上就是涉及的主要工作，不够熟悉的话就要花多一点的时间，相关的具体细节的完善我就不添加了，如果不熟悉基础函数的调用添加，那就是很大的工作量。因为时间有限，稍显仓促，就没有直接贴代码了。
5、总结
很有意义的工作，实现之后发现自己的理解又加深了，对代码也更熟悉了！共勉！