YOLO模型结构解析：Backbone、Neck、Head
YOLO发展到今天，结构上已经非常成熟了。很多初学者一上来就看网络结构图，结果被各种CSP、FPN、PAN、Decoupled Head搞得一头雾水。我刚开始接触YOLOv5的时候也是这样，对着图看了半天，感觉每个模块都认识，但连起来就不知道怎么回事了。
其实说白了，YOLO的结构就三部分：Backbone（骨干网络）负责提取特征，Neck（颈部）负责融合特征，Head（头部）负责输出预测。今天我就把这三大块掰开揉碎了讲清楚。
核心理解：Backbone是"眼睛"，Neck是"大脑的整合区"，Head是"嘴巴"——眼睛看东西，大脑整合信息，嘴巴说出结果。
一、Backbone：CSPDarknet
Backbone的任务很简单：从输入图片中提取特征。YOLOv5/v8用的都是CSPDarknet结构。这个名字听起来唬人，拆开看就明白了——CSP + Darknet。
Darknet是YOLO作者自己设计的网络，核心就是一堆卷积+BN+LeakyReLU。而CSP（Cross Stage Partial）是一种跨阶段部分连接的结构，它把特征图分成两部分，一部分正常卷积，另一部分直接拼过来。
为什么要这么干？我在项目里遇到过一个问题：网络越深，梯度消失越严重，训练越慢。CSP结构就是为了解决这个——它让梯度能直接回传到前面的层，训练起来快得多。
| 组件 | 作用 | 我的经验 |
|---|---|---|
| CBS（Conv+BN+SiLU） | 基础卷积块 | SiLU比ReLU平滑，小模型效果更好 |
| CSP模块 | 跨阶段特征融合 | 减少计算量约20%，精度不掉 |
| SPPF | 多尺度池化 | 比SPP快2倍，效果一样 |
YOLOv5的Backbone输出三个尺度的特征图，大小分别是原图的1/8、1/16、1/32。这三个尺度对应着检测不同大小的物体——小物体用大特征图，大物体用小特征图。
小技巧：如果你要检测的目标特别小（比如人脸、车牌），可以修改Backbone的输出尺度，增加一个1/4尺度的特征图。我做过一个车牌识别项目，加了1/4尺度后，小车牌召回率提升了12%。
二、Neck：FPN + PAN
Backbone提取了特征，但有个问题：浅层特征语义信息少但位置准，深层特征语义丰富但位置模糊。Neck就是干这个的——把不同尺度的特征融合起来。
YOLO用的是FPN（特征金字塔） + PAN（路径聚合网络）的组合。FPN是从上往下传语义信息，PAN是从下往上传位置信息。两者结合，每个尺度的特征图既有丰富的语义，又有精确的位置。
我记得第一次自己搭YOLO的时候，觉得Neck这部分可有可无。直到有一次做小目标检测，去掉Neck后mAP直接掉了8个点。嗯，从那以后我再也不敢省Neck了。
具体流程是这样的：
- Backbone输出三个尺度的特征图：P3（1/8）、P4（1/16）、P5（1/32）
- FPN路径：P5上采样→与P4融合→再上采样→与P3融合
- PAN路径：融合后的P3下采样→与P4融合→再下采样→与P5融合
- 最终输出三个融合后的特征图，送入Head
注意：FPN和PAN的融合方式不是简单的相加。YOLOv5用的是torch.cat拼接，然后过一层卷积。YOLOv8改成了add相加，计算量更小。如果你自己改模型，要注意这个区别。
三、Head：Decoupled Head
Head是模型的最后一部分，负责从特征图中预测出目标的类别和位置。YOLOv5用的是Coupled Head（耦合头），也就是分类和回归共享同一个卷积层。YOLOv8改成了Decoupled Head（解耦头），分类和回归分开走。
为什么要解耦？你想想看，分类任务关注的是"这是什么"，回归任务关注的是"它在哪里"。这两个任务需要的特征其实不一样。耦合在一起，互相干扰。解耦之后，每个任务可以专注学自己的东西。
我在实际部署中发现，Decoupled Head在复杂场景下效果更好。比如一个场景里同时有猫和狗，而且它们挨得很近，解耦头能更准确地分开它们。
| 对比项 | Coupled Head（YOLOv5） | Decoupled Head（YOLOv8） |
|---|---|---|
| 结构 | 一个卷积输出所有 | 两个分支分别输出 |
| 参数量 | 少 | 多（约多15%） |
| 精度 | 一般 | 更高（mAP提升1-2%） |
| 推理速度 | 快 | 稍慢（但可忽略） |
Decoupled Head的具体结构：
- 分类分支：2个卷积层，输出通道数为类别数
- 回归分支：2个卷积层，输出通道数为4（x, y, w, h）
- 分布聚焦分支：YOLOv8新增，用于更精确的回归
关键点：Decoupled Head的每个分支最后都接了一个1x1卷积，目的是把特征图映射到目标维度。这个1x1卷积虽然小，但不能省——我试过去掉它，精度直接掉了3个点。
四、整体结构图
下面这张图展示了YOLO的完整结构。从输入图片开始，经过Backbone提取特征，Neck融合特征，最后Head输出预测。每个部分各司其职，缺一不可。
五、实战中的选择建议
讲完理论，说说实际项目中怎么选。我做过十几个YOLO部署项目，总结了几条经验：
- 追求速度：用YOLOv5的Coupled Head，参数量少，推理快。适合边缘设备。
- 追求精度：用YOLOv8的Decoupled Head，mAP更高。适合服务器端。
- 小目标检测：修改Neck，增加一个更浅层的特征融合。我试过，效果立竿见影。
- 资源受限：缩小Backbone的深度和宽度。YOLOv5的n/s/m/l/x系列就是干这个的。
我的习惯：先在YOLOv8m上跑通，再根据实际场景剪枝。不要一上来就用最大的模型，那是浪费算力。我曾经在一个项目里用YOLOv8x，结果推理速度只有5fps，换成YOLOv8m后速度到30fps，精度只掉了0.5个点。
好了，这一章的内容就到这里。Backbone、Neck、Head这三个概念搞清楚了，YOLO的结构你就掌握了八成。剩下的两成，是在实际项目中踩坑踩出来的——这个我们后面慢慢聊。