一、核心默认尺寸（YOLOv8/YOLOv5/YOLOv7 通用）
YOLO 系列的默认输入尺寸为 640×640 像素（正方形），这是 Ultralytics 官方推荐的基础尺寸，对应代码/命令中的参数：
- 推理时：
model.predict(source='img.jpg', imgsz=640) - 训练时：
model.train(data='coco.yaml', imgsz=640)
二、尺寸规则（必须遵守）
- 尺寸需是 32 的整数倍
YOLO 的网络结构包含多次 32 倍下采样（如 640→320→160→80→40→20→10），输入尺寸必须能被 32 整除，否则会导致特征图尺寸不匹配，报错或精度下降。
✅ 合法尺寸：320、416、640、800、960、1280（常用）
❌ 非法尺寸：600、700、801（无法被 32 整除） - 支持非正方形尺寸（YOLOv8+）
YOLOv8 及后续版本支持「矩形推理/训练」（非正方形），只需保证宽高均为 32 的整数倍即可，例如：- 480×640（适配手机竖屏图）
- 800×1280（适配宽屏图）
命令示例：model.predict(imgsz=[480, 640])（[高，宽]）
三、不同模型不同尺寸的适用场景
| 模型类型 | 具体型号 | 核心特性 | 适用图片大小（imgsz） | 适用场景 | 速度/精度特点（CPU/单卡 GPU） | 参数量 (M) | FLOPs(G) |
|---|---|---|---|---|---|---|---|
| 基础检测模型 | YOLOv8n (nano) | 极致轻量化，网络深度/宽度最小，推理最快 | 320×320、416×416（推荐）；≤640×640 | 移动端/嵌入式设备（如树莓派、手机）、实时性优先的低算力场景（如摄像头实时检测） | GPU：~300 FPS，CPU：~20 FPS；精度最低（mAP50≈65） | 3.2 | 8.7 |
| YOLOv8s (small) | 平衡轻量化与精度，基础版中性价比最高 | 416×416、640×640（推荐）；≤800×800 | 通用场景（如安防监控、普通目标检测）、边缘设备（如工业相机） | GPU：~200 FPS，CPU：~15 FPS；精度中等（mAP50≈72） | 11.2 | 28.6 | |
| YOLOv8m (medium) | 中等规模，深度/宽度提升，精度显著提高 | 640×640（推荐）、800×800；≤960×960 | 中等算力设备（如中端 GPU）、精度要求较高的场景（如电商商品检测、交通标识识别） | GPU：~100 FPS，CPU：~8 FPS；精度较高（mAP50≈76） | 25.9 | 78.9 | |
| YOLOv8l (large) | 大规模模型，特征提取能力强 | 800×800、960×960（推荐）；≤1280×1280 | 高算力设备（如 RTX 30/40 系列 GPU）、高精度需求（如工业缺陷检测、医疗影像初筛） | GPU：~50 FPS，CPU：~4 FPS；精度很高（mAP50≈78） | 43.7 | 165.2 | |
| YOLOv8x (extra large) |
