1.总结
先看的YOLOV8的分割原理，在YOLOV8里面第一次了解到了prototypes maks，原型掩码，当时不是非常的明白，这两天看到YOLACT论文，突然明白yolov8 的 prototypes maks 思想，是来自这里。具体yolov8分割流程，可以移步我的另一篇文章：yolov8m-seg详细的网络结构以及内部实现细节（绝对干货）
YOLACT分割的核心内容就是，把实例分割的任务分成了两个并行的任务：
- 生成了一个prototypes maks 原型掩码集合；
- 使用模型去预测每个实例的mask coefficients，即掩码系数；
- 将mask coefficients 和prototypes maks进行线性组合，注意，得到的是全图的mask，全图的，不是单个实例的，这样，然后通过预测的位置位置框，将其crop出来
要想理解YOLACT论文中提出的新的实例mask预测方法，我觉得有必要了解下，以前是怎么做实例分割的，例如二阶的Fast RCNN做实例分割，高度依赖位置特征，这些方法将位置特征重新池化到目标框区域内，通过ROIpool/align，然后将特征喂给mask 估计器，这种方法是顺序的，很难加速。
在进一步了解YOLOACT具体是怎么操作prototypes maks的，根据yolov8的学习经验，这里有几个问题，想先提出来：
- yolov8中网络模型学习出来的prototypes maks是32x96x160,整个数据集中的目标实例，都在这个32x96x160上学习自己的系数，不分类别，这种共性的属性，适合所有的类别么？
接下来，可以深入了解下YOLOACT的具体思想了
2.YOLOACT 网络框架
其实前面的总结已经说了很清楚了，那么要实现，就需要增加这两步:
- 使用P3层特征，从P5上采样到P4再上采样到P3，然后经过Protonet，获得prototype maks；
- 之前的yolo系统，头部分分支用来预测每个anchor框的位置和类别，YOLOACT在此基础上增加了一个分支，用来预测每个anchor框的mask系数，mask系数和第一步的prototype maks线性组合，就是全图的的mask，目标框内的mask，才是该目标的预测的mask。
3.prototype
上图是protonet，会生成k个prototype，论文中说，这个操作和语义分割和相似，仔细想想FCN，确实是，都是从backbone中直接拿特征，然后做卷积，上采样，卷积，再上采样，但是，YOLOACT和语义分割的不同点在于，语义分割是直接对卷积出来的特征直接计算损失函数，而YOLOACT对组装后的最终掩码计算损失。
Mask Coefficients
熟悉yolo框架的，对上图的结构应该很了解，这里就不详细展开说了。
Mask Assembly
实例的mask，是maks 系数的分支，得到的系数，就是prototype的线性组合，我这里再详细展开说下，在yolov8中，prototype mask 是32x96x160，可以理解为生成了32个96x160的原型掩码，后面会分析，每个原型掩码都是不一样的，然后在头部分支上，生成的Mask Coefficients大小为32x5040，5040是anchor框的个数，也就是，每个框，我生成了32个的maks 系数，这32个系数是对32个原型掩码进行线性组合使用的，即32x32x960x160，得到的每个框的maks是960x160，是整个原图的，再通过预测框进行crop，就得到了该实例的mask。
Losses
本论文使用三个损失函数，分别是分类损失、位置损失、mask损失，这三个损失的权重是1，1.5，6.125，分类损失和位置损失，和yolo类似，maks损失，使用像素级别的，二元交叉损失函数。
YOLOACT在论文中也提到了，YOLOACT学习的是一种分布式特征，在这种特征空间中，每个实例通过类别间共享的prototypes原型进行分割，例如yolov8中的原型是32x96x160，
