3. 模型架构总览

YOLOv10 的架构，说白了就是三个核心模块串起来的一条流水线：Backbone 负责提特征，Neck 负责融合特征，Head 负责输出结果。我刚开始接触这个结构时，总觉得它跟之前的 YOLOv8 差不多，但真正上手部署才发现——细节改了不少。

咱们先看整体数据流，再逐个模块拆开聊。

3.1 Backbone：特征提取的基石

Backbone 的任务很简单——把原始图像变成高语义的特征图。YOLOv10 的 Backbone 沿用了 CSPDarknet 结构，但做了几处关键优化。

Backbone 输出三个尺度的特征图，我习惯叫它们 P3、P4、P5。P3 分辨率最高（80×80），语义最浅；P5 分辨率最低（20×20），语义最深。这三个尺度会喂给 Neck 做融合。

输出层	特征图尺寸	下采样倍数	主要用途
P3	80 × 80	8×	小目标检测
P4	40 × 40	16×	中目标检测
P5	20 × 20	32×	大目标检测

3.2 Neck：特征融合的枢纽

Neck 的作用，说白了就是把 Backbone 输出的多尺度特征揉在一起。YOLOv10 用的是 PAN-FPN 结构，但内部替换了 C2fCIB 模块。

为什么叫 PAN-FPN？它其实是两条路径：

• 自顶向下（FPN）：把高层语义信息往下传，增强小目标的语义。
• 自底向上（PAN）：把底层细节信息往上传，增强大目标的定位精度。

C2fCIB 是啥？它是 C2f 的变体，把中间的 Bottleneck 换成了 CIB（Compact Inverted Bottleneck）。我刚开始看这个命名时也懵了一下，后来发现它其实就是把深度可分离卷积和通道注意力揉在一起了。

3.3 Head：检测输出的终端

Head 是最后一步，它把 Neck 融合后的特征图转换成最终的检测结果。YOLOv10 的 Head 有两个关键设计：

1. 解耦头（Decoupled Head）：分类和回归分支分开走。分类分支输出类别概率，回归分支输出边界框坐标。这样做的好处是——两个任务互不干扰，收敛更快。
2. TaskAlignedAssigner：这是标签分配策略。它不再单纯依赖 IoU，而是把分类分数和回归质量联合起来算一个对齐分数。嗯，这个改动让 mAP 涨了大概 0.5-1 个点。

Head 的输出格式也很直接：每个特征图上的每个网格点，都会预测一组结果。以 80×80 的特征图为例，假设有 80 个类别，那每个网格点输出就是 80（分类）+ 4（边界框）+ 1（目标置信度）= 85 个值。

你想想看，71 万个预测里大部分都是背景。所以后面还要接 NMS（非极大值抑制）来过滤掉冗余框。这部分我放到后面推理优化章节再细讲。

3.4 整体数据流回顾

咱们把整个流程串起来捋一遍：

1. 输入图像（640×640）进入 Backbone，经过 CSPDarknet + SCDown + PSA 提取特征，输出 P3、P4、P5 三个尺度的特征图。
2. 这三个特征图进入 Neck，通过 PAN-FPN + C2fCIB 做双向融合，输出增强后的多尺度特征。
3. 融合后的特征进入 Head，经过解耦头分别预测分类和回归结果，再用 TaskAlignedAssigner 做标签分配。
4. 最后经过 NMS 过滤，输出最终的检测框。

整个流程其实不复杂，但每个模块里都有不少细节。我个人觉得，理解 Backbone 的 SCDown 和 Neck 的 C2fCIB 是入门的关键——这两个模块直接决定了模型的推理速度和精度平衡。