摘要
在目标检测领域，YOLOv8 凭借其出色的速度与精度平衡，已成为工业界与学术界的主流选择。然而，随着应用场景的复杂化，如何在保持实时性的同时进一步提升检测精度，成为研究者关注的核心问题。本文提出一种创新的改进方案——InceptionNeXt，该模块融合了 ConvNeXt 的现代化卷积架构与 Inception 的多尺度特征提取思想，通过巧妙的结构设计，在提升模型特征表达能力的同时，显著降低了计算开销。本文将详细阐述 InceptionNeXt 的设计原理、在 YOLOv8 中的集成方法，并提供完整的代码实现与训练配置。通过在 COCO、PASCAL VOC 和 VisDrone 等多个公开数据集上的实验验证，改进后的 YOLOv8 模型在 mAP 指标上取得了 2.3%~3.8% 的提升，而推理速度仅下降约 8%~12%，展现了优越的性价比。本文内容详实，代码完整，旨在为研究者提供一份可直接复现的改进指南。
关键词：YOLOv8；InceptionNeXt；ConvNeXt；多尺度特征；目标检测；模型改进
一、引言
1.1 研究背景
目标检测作为计算机视觉的核心任务之一，经历了从传统方法到深度学习方法的跨越式发展。2016 年，Joseph Redmon 等人提出的 YOLO（You Only Look Once）系列开创了单阶段检测器的先河，将检测任务转化为回归问题，实现了端到端的快速检测。经过近十年的发展，YOLO 家族已迭代至 YOLOv8、YOLOv9、YOLOv10 等版本，在精度和速度上不断突破。
YOLOv8 作为 Ultralytics 团队在 2023 年
