计算机视觉 / 系统课时
主干网络 Backbone
主干网络 Backbone
主干网络负责把输入图像逐层转换为可供检测头使用的特征。读完本课,你将能看懂分辨率为何不断减小、通道数为何通常增加,以及 YOLO 为什么要同时保留多个尺度的输出。
学习目标
- 说明 Backbone 在 YOLO 中承担的核心职责
- 理解浅层、中层和深层特征图的差异
- 根据输入尺寸推导多尺度特征图的形状
Backbone 解决什么问题
原始图像只有像素值,模型不能直接从中得到“这是车辆”或“这里有目标边缘”的结论。Backbone 通过卷积、激活、归一化和下采样,把像素逐步编码成具有判别力的特征。
浅层特征保留边缘、纹理和精确位置,适合描述小目标细节;深层特征感受野更大,能表达部件与类别语义,但空间分辨率更低。检测模型需要的不是最后一层单一结果,而是多个深度的特征图。

分辨率与通道如何变化
常见阶段会使用步幅为 2 的卷积或等效下采样,使特征图宽高减半。若输入是 ,连续下采样 3、4、5 次后,常见输出尺寸分别是 、、。
分辨率降低会减少计算量并扩大感受野。与此同时,网络通常增加通道数,让每个空间位置能够编码更多类型的模式。可把特征图理解为一组“响应图”:不同通道分别对不同纹理、形状或语义组合产生响应。
下面用一个可运行的形状推导程序模拟五次二倍下采样。它不执行真实卷积,只验证 Backbone 中最重要的尺寸变化规律。
def downsample(shape, out_channels):
height, width, _ = shape
# 步幅为 2 时,宽高减半;通道数由当前阶段决定
return height // 2, width // 2, out_channels
def main():
feature = (640, 640, 3)
channels = [64, 128, 256, 512, 1024]
outputs = []
for stage, channel in enumerate(channels, start=1):
feature = downsample(feature, channel)
print(f"stage{stage}: {feature}")
if stage >= 3:
outputs.append(feature)
print("multi-scale outputs:", outputs)
if __name__ == "__main__":
main()预期输出:
stage1: (320, 320, 64)
stage2: (160, 160, 128)
stage3: (80, 80, 256)
stage4: (40, 40, 512)
stage5: (20, 20, 1024)
multi-scale outputs: [(80, 80, 256), (40, 40, 512), (20, 20, 1024)]实际模型的通道数会随版本和规模配置变化,但同一输入下,多尺度输出的空间尺寸通常遵循固定步幅关系。
为什么要输出多个尺度
只使用最深层的 特征图时,每个网格覆盖的原图区域较大,适合检测大目标,却容易丢失小目标的位置细节。保留 和 特征图,可以让后续 Neck 把高层语义传回高分辨率特征。
常见输出也可用步幅表示: 对应步幅 8, 对应步幅 16, 对应步幅 32。以 640 像素输入为例,尺寸分别是 、、。
注意:P3、P4、P5 表示特征层级,不等同于固定通道数。阅读模型配置时,应同时检查输入尺寸、累计步幅和通道配置。
阅读 Backbone 配置的顺序
先确认输入尺寸,再沿网络逐层记录每个阶段的步幅和输出通道。遇到残差块或重复模块时,重点看它是否改变宽高;只有步幅变化才会改变特征图分辨率。
最后找出送入 Neck 的分支。若三个分支累计步幅分别为 8、16、32,就能判断它们面向小、中、大不同尺度的目标。模型名称不同,内部模块可能变化,但这套阅读方法保持不变。