YOLOv5骨干网

### YOLOv5 Backbone Network Architecture YOLOv5 是一种高效的实时目标检测框架，其核心之一在于 **Backbone（主干网络）** 的设计。该架构的主要目的是提取图像中的特征以便后续用于目标检测任务。以下是关于 YOLOv5 中 Backbone 部分的关键点： #### 默认 Backbone 结构 默认情况下，YOLOv5 使用的是基于 CSPDarknet53 的改进版本作为其主干网络[^1]。CSPDarknet53 是 Darknet53 的优化版，引入了跨阶段部分连接（Cross Stage Partial Connections, CSP），从而减少了计算量并提高了性能。 - **CSPDarknet53 特性**: - 它通过将特征图分为两部分来减少梯度消失问题，并允许更深层次的信息流动。 - 这种方法显著降低了内存消耗和计算复杂度，同时保持甚至提升了模型精度。 #### 自定义 Backbone 替代方案 除了默认的 CSPDarknet53 外，社区还提出了多种替代 Backbone 方案以适应不同的应用场景需求。例如： 1. **Swin Transformer**: - Swin Transformer 被用来代替传统的卷积神经网络（CNNs）作为 Backbone。 - 它是一种层次化的视觉变压器，能够捕捉不同尺度的空间关系，在高分辨率输入上表现尤为出色。 2. **MobileNetV1/V2/V3**: - MobileNet 系列因其高效性和轻量化特性而被广泛应用于移动设备上的推理场景。 - MobileNetV1 提出了深度可分离卷积的概念，大幅降低参数数量与运算成本[^2]。 - MobileNetV2 引入倒残差结构以及线性瓶颈层的设计理念[^4]。 ```python class InvertedResidual(nn.Module): def __init__(self, inp, oup, stride, expand_ratio): super(InvertedResidual, self).__init__() hidden_dim = round(inp * expand_ratio) layers = [] if expand_ratio != 1: # pointwise convolution with ReLU activation layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1)) layers.extend([ # depthwise convolution nn.Conv2d(hidden_dim, hidden_dim, 3, stride=stride, padding=1, groups=hidden_dim), ... ]) self.conv = nn.Sequential(*layers) def forward(self, x): return x + self.conv(x) if self.use_res_connect else self.conv(x) ``` - 对于 MobileNetV1 和 V3 的实现，通常需要将其源码复制至指定路径下的模块文件夹中[^3]。 #### 修改流程概述 当尝试更换 Backbone 时，开发者需注意以下几点： - 将新 Backbone 的代码放置在 `ultralytics/nn/modules` 文件夹内； - 更新配置 YAML 文件以反映所选的新 Backbone 架构设置； - 如果采用非标准 CNN 类型（如 Transformers），可能还需要调整原有 YOLO 源码逻辑以支持新型张量处理方式。 --- ###