YOLO系列全面解析｜YOLOv 1234567X模型全系列大解析（Backbone篇）

写在前面

近年来YOLO系列层出不穷，更新不断，已经到v7版本。YOLOv1-v7不同版本各有特色，在不同场景，不同上下游环境，不同资源支持的情况下，如何从容选择使用哪个版本，甚至使用哪个特定部分，都需要我们对YOLOv1-v7有一个全面的认识。

将YOLO系列每个版本都表示成下图中的五个部分，逐一进行解析，并将每个部分带入业务向，竞赛向，研究向进行延伸思考，探索更多可能性。

本文将聚焦于YOLO系列Backbone知识的分享，希望能让江湖中的英雄豪杰获益，也希望大家提出宝贵的建议与观点，让这个栏目更加繁荣。

干货篇

【目录】

1. YOLOv1-v7论文&&代码大放送

2. YOLO系列中Backbone结构的特点

3. YOLOv1 Backbone解析

4. YOLOv2 Backbone解析

5. YOLOv3 Backbone解析

6. YOLOv4 Backbone解析

7. YOLOv5 Backbone解析

8. YOLOx Backbone解析

9. YOLOv6 Backbone解析

10. YOLOv7 Backbone解析

【一】YOLOv1-v7论文&&代码大放送

YOLOv1论文名以及论文地址：You Only Look Once:Unified, Real-Time Object Detection

YOLOv1开源代码：YOLOv1-Darkent

YOLOv2论文名以及论文地址：YOLO9000:Better, Faster, Stronger

YOLOv2开源代码：YOLOv2-Darkent

YOLOv3论文名以及论文地址：YOLOv3: An Incremental Improvement

YOLOv3开源代码：YOLOv3-PyTorch

YOLOv4论文名以及论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection

YOLOv4开源代码：YOLOv4-Darkent

YOLOv5论文名以及论文地址：无

YOLOv5开源代码：YOLOv5-PyTorch

YOLOx论文名以及论文地址：YOLOX: Exceeding YOLO Series in 2021

YOLOx开源代码：YOLOx-PyTorch

YOLOv6论文名以及论文地址：YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications

YOLOv6开源代码：YOLOv6-PyTorch

YOLOv7论文名以及论文地址：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

YOLOv7开源代码：Official YOLOv7-PyTorch

【二】YOLO系列中Backbone结构的特点

YOLO系列中的Backbone结构主要作为网络的一个核心特征提取器，随着时代的变迁不断发展。

某种程度上，YOLO系列的各个Backbone代表着当时的高价值模型与AI行业的发展记忆，计算机视觉江湖上，曾出现的那些“算法兵器”，它们确实来过。

Backbone与输入侧一样，是通用性非常强的一个部分，具备很强的向目标检测其他模型，图像分类，图像分割，目标跟踪等方向迁移应用的价值。

从业务向，竞赛向，研究向等角度观察，Backbone结构也能在这些方面比较好的融入，从容。

【三】YOLOv1 Backbone解析

YOLOv1的Backbone有着朴素的逻辑，主要受启发于GoogLeNet的结构。

YOLOv1的backbone结构中使用了Leaky ReLu激活函数，但并没有引入BN层。

【Rocky的延伸思考】

1. YOLOv1 Backbone逻辑在整个YOLO系列中已不具备竞争力，但是可以作为业务向，竞赛向的入场Baseline，快速搭建，快速试错。

【四】YOLOv2 Backbone解析

YOLOv2的Backbone在YOLOv1的基础上设计了Darknet-19网络，并引入了BN层优化模型整体性能。

Darknet-19网络包含19个卷积层和5个max pooling层，整体计算量比YOLOv1中采用的GooleNet更少，最后用average pooling层代替全连接层进行Inference。

在YOLOv2的Backbone中加入BN层之后，使得mAP提升了2%，而BN层也成为了YOLO后续系列的标配。

【Rocky的延伸思考】

1. 业务向：YOLOv2 Backbone结构完全可以应用于业务baseline模型。

【五】YOLOv3 Backbone解析

YOLOv3的Backbone在YOLOv2的基础上设计了Darknet-53结构。

YOLOv3将YOLOv2的Darknet-19加深了网络层数，并引入了ResNet的残差思想，也正是残差思想让YOLOv3将Backbone深度大幅扩展至Darknet-53。

YOLOv3优化了下采样方式（无池化层结构），采用卷积层来实现，而YOLOv2中采用池化层实现。

【Rocky的延伸思考】

1. YOLOv3的Backbone无论是在业务向，竞赛向还是研究向，都可以作为入场Baseline。

【六】YOLOv4 Backbone解析

YOLOv4的Backbone在YOLOv3的基础上，受CSPNet网络结构启发，将多个CSP子模块进行组合设计成为CSPDarknet53，并且使用了Mish激活函数。

CSPDarknet53总共有72层卷积层，遵循YOLO系列一贯的风格，这些卷积层都是3*3 大小，步长为2的设置，能起到特征提取与逐步下采样的作用。

CSP子模块主要解决了由于梯度信息重复导致的计算量庞大的问题。

CSP模块不仅仅是一个子结构，更是一个处理思想，可以和ResNet、ResNext、DenseNet、EfficientNet等网络结合使用。

上图左侧是DenseNet的结构，它进行反向传播时会有大量的重复计算，而右侧的图是CSP模块结构，它将基础层的特征图分成两部分，一部分直接与该阶段的末尾concat相连，另一部分经过局部Dense模块，从而既能保留Dense模块的特征复用，又能截断梯度流，避免大量的重复计算，同时可以保证准确率。

总的来说，CSP模块解决了三个方面的问题：

1. 提升模型的学习能力，同时使模型轻量化。
2. 降低计算瓶颈，提高硬件利用率。
3. 降低模型的内存占用。

CSP模块逻辑也可以迁移到其他Backbone网络，例如优化ResNet以提升性能：

CSPNet论文地址：CSPNet

YOLOv4论文中通过消融实验发现使用Mish激活函数会提升性能，于是在Backbone中将其使用。（注：除Backbone以外的网络结构依旧使用LeakyReLU激活函数）

Mish激活函数的示意图如下，其有三个主要特征:

1. 无上界有下界。Mish向上无边界避免了由于封顶而导致的梯度饱和，加快训练过程。向下有边界有助于实现强正则化效果。
2. 非单调函数。允许其在负半轴有稳定的微小负值，从而使梯度流更稳定。与ReLU负半轴的硬零边界相比，其梯度更平滑。
3. 无穷连续性与光滑性。具有较好的泛化能力，提高训练结果的质量。

Mish激活函数的表达式：

Mish激活函数论文地址：Mish激活函数

【Rocky的延伸思考】

1. 业务向：YOLOv4 Backbone中使用的CSP思想可以方便地与业务场景相结合。
2. 竞赛向：YOLOv4 Backbone中提到的CSP结构和Mish激活函数在竞赛中是比较有效的Tricks。
3. 研究向：YOLOv4 Backbone具备作为研究Baseline的价值。

【七】YOLOv5 Backbone解析

YOLOv5的Backbone同样使用了YOLOv4中使用的CSP思想。

值得一提的是，YOLOv5最初版本中会存在Focus结构，在YOLOv5第六版开始后，就舍弃了这个结构改用常规卷积，其产生的参数更少，效果更好。

【Rocky的延伸思考】

1. YOLOv5 Backbone的易用性使得其不管在业务向，竞赛向还是研究向都非常友好。

【八】YOLOx Backbone解析

YOLOx的Backbone沿用了YOLOv3的Backbone结构，故在此不在展开介绍。

【九】YOLOv6 Backbone解析

YOLOv6的Backbone侧在YOLOv5的基础上，设计了EfficientRep Backbone结构。

和YOLOv5的Backbone相比，YOLOv6的Backbone不但能够高效利用硬件算力，而且还具有较强的表征能力。

YOLOv6的Backbone中将普通卷积都替换成了RepConv结构。同时，在RepConv基础上设计了RepBlock结构，其中RepBlock中的第一个RepConv会做channel维度的变换和对齐。

另外，YOLOv6将SPPF优化设计为更加高效的SimSPPF，增加特征重用的效率。

【Rocky的延伸思考】

1. 业务向：YOLOv6 Backbone可以高效用于业务向的部署端。
2. 竞赛向：YOLOv6 Backbone可以用于竞赛向的Baseline尝试。
3. 研究向：YOLOv6 Backbone可以用于研究向的消融实验。

【十】YOLOv7 Backbone解析

YOLOv7的Backbone侧在YOLOv5的基础上，设计了E-ELAN和MPConv结构。

E-ELAN结构已经在本系列的Neck篇中详细介绍，本文就不再展开。MPConv结构由常规卷积与maxpool双路径组成，增加模型对特征的提取融合能力。不管是E-ELAN还是MPConv结构，都将特征重用逻辑演绎到了比较高的水准，让人眼前一亮。

【Rocky的延伸思考】

1. 业务向：YOLOv7 Backbone可以作为业务向的Baseline使用。
2. 竞赛向：YOLOv7 Backbone可以用于竞赛向的入场Baseline。
3. 研究向：YOLOv7 Backbone可以用于研究向的入场研究Baseline。

转载至公众号wethinkin