3. YOLO模型结构：Backbone、Neck、Head 详解

好，咱们今天来拆解YOLO的骨架。很多同学刚开始看YOLO的，会被一堆术语吓到——CSPDarknet、FPN、PAN、Decoupled Head……其实说白了，整个模型就干三件事：看东西、找东西、认东西。

我个人习惯把YOLO比作一个工厂流水线：Backbone是原料车间，负责把原始图像提炼成特征；Neck是精加工车间，把不同粗细的特征融合起来；Head是质检包装车间，输出最终的检测结果。咱们一个一个聊。

3.1 Backbone：CSPDarknet — 模型的“眼睛”

Backbone的任务，就是把一张图片变成一堆特征图。YOLOv5之后，官方一直用CSPDarknet作为主干网络。你可能会问：为什么不用ResNet？嗯，我在项目里对比过，CSPDarknet在同等计算量下，特征复用效率更高，对小目标更友好。

3.1.1 核心组件：CSP结构

CSP（Cross Stage Partial）结构，说白了就是把特征图分成两路：一路正常卷积，另一路直接拼接。这样做的好处是——梯度流更顺畅，计算量还降下来了。

# 伪代码示意：CSP模块的核心逻辑
def csp_block(x):
    # 分流
    x1 = conv(x)          # 主路：正常卷积
    x2 = x[:, :, :, ::2]  # 支路：直接取一半通道
    # 拼接
    out = concat([x1, x2], axis=-1)
    return out

3.1.2 关键参数：深度与宽度

YOLO模型有多个版本（n/s/m/l/x），区别就在于Backbone的深度和宽度。我整理了一个表格，方便你对照：

模型版本	深度因子	宽度因子	典型应用场景
YOLOv5n	0.33	0.25	手机端、极低算力设备
YOLOv5s	0.33	0.50	Jetson Nano、树莓派
YOLOv5m	0.67	0.75	Jetson TX2、边缘服务器
YOLOv5l	1.00	1.00	桌面GPU、服务器

3.2 Neck：FPN + PAN — 特征的“融合器”

Backbone提取的特征，有粗有细。浅层特征分辨率高，适合检测小目标；深层特征语义强，适合检测大目标。Neck的作用，就是把它们融合起来。

YOLO用的是FPN（特征金字塔）+ PAN（路径聚合网络）的组合。我刚开始学的时候也迷糊，后来画了张图才搞明白：

你看，FPN是从上往下传递语义信息，PAN是从下往上传递位置信息。两者一结合，每个尺度的特征图都既有“是什么”又有“在哪里”。

3.3 Head：Decoupled Head — 检测的“输出口”

Head是模型的最后一站。它接收Neck融合后的特征图，输出最终的检测结果：边界框坐标、置信度、类别概率。

YOLOv5之前用的是Coupled Head（耦合头），也就是分类和回归共用一套卷积。YOLOv6之后开始用Decoupled Head（解耦头），把分类和回归分开了。为什么要分开？我举个例子你就明白了：

• 分类任务：关注“这是什么”——需要全局语义信息
• 回归任务：关注“在哪里”——需要局部位置信息

这两个任务其实有冲突。耦合头让它们共用参数，互相干扰。解耦头各干各的，精度自然就上去了。

# Decoupled Head 伪代码
class DecoupledHead(nn.Module):
    def __init__(self, in_channels, num_classes):
        super().__init__()
        # 分类分支
        self.cls_conv = nn.Conv2d(in_channels, in_channels, 3)
        self.cls_pred = nn.Conv2d(in_channels, num_classes, 1)
        # 回归分支
        self.reg_conv = nn.Conv2d(in_channels, in_channels, 3)
        self.reg_pred = nn.Conv2d(in_channels, 4, 1)  # 4: x,y,w,h
    
    def forward(self, x):
        # 分类
        cls_feat = self.cls_conv(x)
        cls_out = self.cls_pred(cls_feat)
        # 回归
        reg_feat = self.reg_conv(x)
        reg_out = self.reg_pred(reg_feat)
        return cls_out, reg_out

3.4 三者的协作关系

最后，我用一个表格总结一下Backbone、Neck、Head的分工：

组件	核心任务	输出内容	典型结构
Backbone	特征提取	多尺度特征图 (P3/P4/P5)	CSPDarknet
Neck	特征融合	融合后的多尺度特征图	FPN + PAN
Head	结果预测	边界框 + 置信度 + 类别	Decoupled Head