4. Backbone网络详解

YOLOv5 的 Backbone 是整个模型的“眼睛”和“大脑”。它负责从原始图像中提取特征。说白了，就是让网络学会看东西——看轮廓、看纹理、看形状，最后把图像变成一组高维的特征图。

我个人觉得，Backbone 的设计是 YOLOv5 最精彩的部分。它没有堆砌特别花哨的模块，而是把几个经典结构用得很到位。咱们一个一个拆开看。

4.1 Focus 结构：下采样的“巧劲”

Focus 是 YOLOv5 引入的一个小创新。它的作用很简单：在进入 Backbone 主干之前，先把输入图像“压缩”一下。

怎么压缩的？不是直接用卷积下采样，而是通过切片操作。把一张 640x640x3 的图，每隔一个像素取一个值，拼成 4 张 320x320x3 的图，然后在通道维度上叠起来，变成 320x320x12。

你想想看，这样做的好处是什么？

• 信息无损：没有卷积的加权求和，像素值原封不动地保留下来。
• 计算量小：后续的卷积在 320x320 上做，比在 640x640 上做省了 4 倍的计算量。
• 感受野变大：后续卷积核的感受野相对输入图像变大了。

代码实现其实很简单，就是 torch.cat 加切片：

class Focus(nn.Module):
    def __init__(self, c1, c2, k=1, s=1):
        super().__init__()
        self.conv = Conv(c1 * 4, c2, k, s)

    def forward(self, x):
        # 输入 x: [B, C, H, W]
        # 切片并拼接成 [B, 4C, H/2, W/2]
        return self.conv(
            torch.cat([
                x[..., ::2, ::2],   # 左上
                x[..., 1::2, ::2],  # 左下
                x[..., ::2, 1::2],  # 右上
                x[..., 1::2, 1::2]  # 右下
            ], dim=1)
        )

4.2 CSPNet：跨阶段局部网络

CSPNet 是 YOLOv5 的“骨架”。它解决了深度学习里一个老问题：梯度信息重复。

传统的残差网络（比如 ResNet）里，每个残差块都在重复计算相似的梯度。CSPNet 的思路很直接——把特征图分成两路：一路走主干，一路走旁支，最后再合并。

这样做的好处很明显：

• 减少计算量：大约能减少 20% 的 FLOPs。
• 梯度更丰富：两路特征图携带不同的梯度信息，合并后表达能力更强。
• 内存更省：分路计算，峰值内存占用更低。

YOLOv5 里用了两种 CSP 结构：

4.3 SiLU 激活函数

YOLOv5 没有用传统的 ReLU，而是用了 SiLU（也叫 Swish）。

公式很简单：SiLU(x) = x * sigmoid(x)

为什么用它？ReLU 在负数区域直接截断为 0，梯度完全消失。SiLU 在负数区域有一个平滑的“下弯”，保留了少量负梯度。这个特性让网络在训练时更稳定。

我个人的习惯是，在深层网络里优先用 SiLU。它比 ReLU 涨点 0.5-1 个 mAP，而且不增加推理时间——因为很多推理框架（如 ONNX、TensorRT）都对 SiLU 做了融合优化。

4.4 SPP 层：空间金字塔池化

SPP 层是 YOLOv5 的“多尺度感知器”。它用不同大小的池化核（5x5、9x9、13x13）对特征图做最大池化，然后把结果拼起来。

为什么要这么做？因为目标的大小差异很大。一个大卡车和一个小鸟，在特征图上的感受野需求完全不同。SPP 层通过多尺度池化，让网络同时看到“大范围”和“小范围”的信息。

YOLOv5 用的是 SPPF（快速 SPP），把三个池化层串起来，而不是并行。这样计算量更小，效果几乎一样。

class SPPF(nn.Module):
    def __init__(self, c1, c2, k=5):
        super().__init__()
        c_ = c1 // 2
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k//2)

    def forward(self, x):
        x = self.cv1(x)
        # 串行池化，逐步扩大感受野
        y1 = self.m(x)
        y2 = self.m(y1)
        y3 = self.m(y2)
        return self.cv2(torch.cat([x, y1, y2, y3], dim=1))

4.5 整体 Backbone 流程

把上面四个结构串起来，YOLOv5 的 Backbone 流程是这样的：

整个 Backbone 的输入是 640x640x3 的 RGB 图像，输出是三个不同尺度的特征图（80x80、40x40、20x20）。这三个特征图会传给 Neck 做进一步融合。