107、YOLOv8改进实战：Transformer Decoder检测头替换——DETR风格端到端检测实现

107、YOLOv8改进实战：Transformer Decoder检测头替换——DETR风格端到端检测实现

从一次线上事故说起

去年有个项目，客户要求在密集场景下检测200+类目标，YOLOv8的anchor-based检测头在重叠目标上频繁漏检。调试到凌晨三点，盯着tensorboard里那些乱成一锅粥的预测框，突然意识到——NMS后处理把大量正确框给滤掉了。当时就想，要是能像DETR那样端到端输出，省掉NMS这个麻烦精该多好。

这个想法在脑子里盘旋了三个月，直到最近才真正动手把Transformer Decoder塞进YOLOv8的检测头。今天把这套方案拆开揉碎了讲，代码都跑过验证，踩过的坑也一并标注。

为什么非要动检测头

YOLOv8的检测头本质上是anchor-free的卷积预测器，每个grid cell预测四个回归值和类别概率。问题在于它天然依赖NMS做后处理——当两个目标中心点落在同一个grid cell附近时，模型会输出多个高度重叠的框，NMS一刀切下去，正确框和错误框一起被干掉。

Transformer Decoder的set-based预测逻辑完全不同。它通过可学习的object queries与图像特征做交叉注意力，每个query独立预测一个目标，输出天然就是去重的。训练时用匈牙利匹配算法做二分图匹配，推理时直接输出最终结果，NMS？不需要了。

架构怎么改

核心思路：把YOLOv8的检测头替换成Transformer De