写在前面如果把 YOLO 比作一辆跑车那骨干网络就是发动机。10 年来从 Darknet-19 到 GELANYOLO 的发动机换了 5 代。每一次升级都是一场算力 vs 精度的博弈。今天我们就来扒一扒这 10 年的演进史。 骨干网络就像男人的衣柜——每隔几年就要翻新一次。从 VGG 风格到 CSPNet从 RepVGG 到 ELAN再到现在 GELAN 的动态路由。“潮流是个圈”深度学习架构也是。目录一、骨干网络是什么YOLO 的发动机解剖1.1 骨干网络在 YOLO 中的位置1.2 骨干网络的 3 大职责1.3 骨干网络的3 大评价指标二、第一代VGG 风格的 DarknetYOLOv1-v32.1 Darknet-19YOLOv1/v22.2 Darknet-53YOLOv32.3 Darknet 系列性能2.4 Darknet PyTorch 实现三、关键跃迁CSPNet 跨阶段连接YOLOv4-v53.1 CSPNet 的核心思想3.2 减少 30% 计算量的原理3.3 性能对比3.4 CSPDarknet PyTorch 实现四、RepVGG 革命训练多分支推理单路YOLOv64.1 RepVGG 的重参数化思想4.2 RepVGG 的优势4.3 YOLOv6 在 T4 上的性能4.4 RepVGG 实现五、ELAN 设计哲学梯度路径最优YOLOv7-v85.1 ELANEfficient Layer Aggregation Networks5.2 ELAN 的核心思想5.3 YOLOv7 E-ELAN 关键数据六、终极形态GELAN 动态路由YOLOv96.1 GELAN 是什么6.2 动态路由的智能化6.3 YOLOv9 性能七、骨干网络设计哲学三大目标7.1 三个核心目标7.2 各代骨干的师承关系八、避坑指南选骨干的 5 个真实坑坑 1盲目追新 文档不熟坑 2参数量和速度不匹配坑 3忽视输入分辨率坑 4迁移学习失败坑 5忽视推理框架兼容九、总结骨干网络进化的 3 条主线一、骨干网络是什么YOLO 的发动机解剖1.1 骨干网络在 YOLO 中的位置graph LR A[输入图像br/640×640×3] -- B[骨干网络br/Backbone] B -- C[颈部网络br/Neck] C -- D[检测头br/Head] D -- E[检测结果] style A fill:#4ECDC4,color:#fff style B fill:#FF6B6B,color:#fff style C fill:#FFD93D,color:#000 style D fill:#95E1D3,color:#0001.2 骨干网络的 3 大职责graph TB A[骨干网络职责] -- B[1. 特征提取br/从像素到语义] A -- C[2. 多尺度表达br/不同大小目标] A -- D[3. 算力分配br/轻重目标平衡] style A fill:#FF6B6B,color:#fff style B fill:#4ECDC4,color:#fff style C fill:#95E1D3,color:#000 style D fill:#FFD93D,color:#0001.3 骨干网络的3 大评价指标指标含义重要性FLOPs浮点运算次数⭐⭐⭐⭐⭐Params参数量⭐⭐⭐⭐mAP最终精度⭐⭐⭐⭐⭐效率技巧骨干网络选型的核心是FLOPs / mAP比值。比值越小性价比越高。二、第一代VGG 风格的 DarknetYOLOv1-v32.1 Darknet-19YOLOv1/v2graph LR A[Inputbr/224×224×3] -- B[Conv 3×3br/64ch] B -- C[MaxPool 2×2] C -- D[Conv 3×3br/128ch] D -- E[MaxPool] E -- F[Conv 3×3br/256ch] F -- G[MaxPool] G -- H[Conv 3×3br/512ch] H -- I[MaxPool] I -- J[Conv 3×3br/1024ch] J -- K[GlobalAvgPool] K -- L[FC 1000] style A fill:#4ECDC4,color:#fff style L fill:#FF6B6B,color:#fff核心特点19 个卷积层VGG 风格堆叠 3×3 卷积简单粗暴2.2 Darknet-53YOLOv3graph TB A[Input 416×416×3] -- B[Conv 32br/步长 2] B -- C[Residual Block ×1br/64ch] C -- D[Conv 64br/步长 2] D -- E[Residual Block ×2br/128ch] E -- F[Conv 128br/步长 2] F -- G[Residual Block ×8br/256ch] G -- H[Conv 256br/步长 2] H -- I[Residual Block ×8br/512ch] I -- J[Conv 512br/步长 2] J -- K[Residual Block ×4br/1024ch] style A fill:#4ECDC4,color:#fff style K fill:#FF6B6B,color:#fff核心改进53 个卷积层更深引入残差连接ResNet 思想解决了网络越深越难训练的问题2.3 Darknet 系列性能骨干年份层数mAP50FPS (V100)创新点Darknet-1920161963%45VGG 风格Darknet-5320185376%65残差连接幽默点 #2Darknet 系列就像诺基亚时代的功能机——能打电话能发短信但不够智能。它开启了 YOLO 时代但很快就被智能手机CSPNet干掉了。2.4 Darknet PyTorch 实现# darknet53.py import torch import torch.nn as nn class DarknetBlock(nn.Module): Darknet 残差块 def __init__(self, in_ch, out_ch): super().__init__() self.conv1 nn.Conv2d(in_ch, out_ch, 1, stride1, biasFalse) self.conv2 nn.Conv2d(out_ch, out_ch, 3, stride1, padding1, biasFalse) self.bn1 nn.BatchNorm2d(out_ch) self.bn2 nn.BatchNorm2d(out_ch) def forward(self, x): residual x out torch.relu(self.bn1(self.conv1(x))) out self.bn2(self.conv2(out)) out residual # 残差连接 return torch.relu(out) class Darknet53(nn.Module): def __init__(self): super().__init__() self.layers self._make_layers() def forward(self, x): return self.layers(x) def _make_layers(self): # 53 层卷积 return nn.Sequential( nn.Conv2d(3, 32, 3, stride1, padding1), nn.Conv2d(32, 64, 3, stride2, padding1), DarknetBlock(64, 64), # ... 后续层省略 )三、关键跃迁CSPNet 跨阶段连接YOLOv4-v53.1 CSPNet 的核心思想CSP Cross Stage Partial——跨阶段部分连接。graph LR A[输入特征] -- B[分两半] B -- C[分支 1br/直接通过] B -- D[分支 2br/过残差块] C -- E[Concat 拼接] D -- E E -- F[过渡层] F -- G[输出] style A fill:#4ECDC4,color:#fff style B fill:#FFD93D,color:#000 style C fill:#95E1D3,color:#000 style D fill:#FF6B6B,color:#fff style G fill:#6BCB77,color:#fff3.2 减少 30% 计算量的原理graph TD A[传统 ResNet 块] -- B[全部特征过残差块br/100% 计算量] A -- C[CSPNet 块] C -- D[一半特征过残差块br/50% 计算量] C -- E[另一半直接通过br/0% 计算量] D -- F[最终拼接br/等价 70%] E -- F style A fill:#FF6B6B,color:#fff style C fill:#6BCB77,color:#fff style B fill:#FF6B6B,color:#fff style D fill:#6BCB77,color:#fff style E fill:#6BCB77,color:#fff style F fill:#FFD93D,color:#0003.3 性能对比骨干mAP50FLOPs (G)FPS (V100)减少计算量Darknet-5376%65.765-CSPDarknet-5378%47.09528%幽默点 #3CSPNet 就像快递分拣中心——以前所有包裹都过同一台分拣机100% 算力。现在一半走自动分拣残差块一半直送下一站直接通过。总计算量减 30%但包裹一个不丢。3.4 CSPDarknet PyTorch 实现# csp_darknet.py import torch import torch.nn as nn class ConvBNSiLU(nn.Module): YOLOv5/v8 标准卷积块 def __init__(self, in_ch, out_ch, kernel1, stride1, paddingNone): super().__init__() self.conv nn.Conv2d(in_ch, out_ch, kernel, stride, paddingkernel//2 if padding is None else padding, biasFalse) self.bn nn.BatchNorm2d(out_ch) def forward(self, x): return torch.nn.functional.silu(self.bn(self.conv(x))) class C2f(nn.Module): YOLOv8 C2f 模块CSP 残差 def __init__(self, in_ch, out_ch, n1, shortcutTrue): super().__init__() self.c out_ch // 2 self.cv1 ConvBNSiLU(in_ch, 2 * self.c, 1) self.cv2 ConvBNSiLU((2 n) * self.c, out_ch, 1) self.m nn.ModuleList( nn.Sequential( ConvBNSiLU(self.c, self.c, 3, 1), ConvBNSiLU(self.c, self.c, 3, 1) ) for _ in range(n) ) def forward(self, x): x self.cv1(x) x list(x.chunk(2, 1)) # 分两半 x.extend(m(x[-1]) for m in self.m) return self.cv2(torch.cat(x, 1))四、RepVGG 革命训练多分支推理单路YOLOv64.1 RepVGG 的重参数化思想graph LR A[训练时br/多分支] -- A1[3×3 Conv] A -- A2[1×1 Conv] A -- A3[BN] A -- A4[残差] A1 -- B[参数合并] A2 -- B A3 -- B A4 -- B B -- C[推理时br/单路 3×3 Conv] style A fill:#FF6B6B,color:#fff style C fill:#6BCB77,color:#fff4.2 RepVGG 的优势graph TD A[RepVGG 优势] -- B[训练br/多分支 → 精度高] A -- C[推理br/单路 → 速度快] A -- D[内存br/单路 → 占用少] B -- E[鱼与熊掌兼得] C -- E D -- E style A fill:#FFD93D,color:#000 style B fill:#4ECDC4,color:#fff style C fill:#6BCB77,color:#fff style D fill:#FF6B6B,color:#fff style E fill:#9D4EDD,color:#fff4.3 YOLOv6 在 T4 上的性能模型骨干mAP50FPS (T4)关键设计YOLOv5sCSPDarknet89%95CSPYOLOv6sRepVGG90%123重参数化YOLOv6mRepVGG91.5%100重参数化幽默点 #4RepVGG 就像变形金刚——训练时是多模态合体多分支推理时是单体高速单路。一个网络两种形态。4.4 RepVGG 实现# repvgg.py import torch import torch.nn as nn class RepVGGBlock(nn.Module): 训练时多分支推理时合并为单路 def __init__(self, in_ch, out_ch, deployFalse): super().__init__() self.deploy deploy self.in_ch in_ch self.out_ch out_ch if deploy: # 推理时单路 3x3 卷积 self.fuse nn.Conv2d(in_ch, out_ch, 3, 1, 1, biasTrue) else: # 训练时3 个并行分支 self.branch3x3 nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, 1, 1, biasFalse), nn.BatchNorm2d(out_ch) ) self.branch1x1 nn.Sequential( nn.Conv2d(in_ch, out_ch, 1, 1, 0, biasFalse), nn.BatchNorm2d(out_ch) ) self.branch_id nn.BatchNorm2d(in_ch) if in_ch out_ch else None def forward(self, x): if self.deploy: return self.fuse(x) return self.branch3x3(x) self.branch1x1(x) (self.branch_id(x) if self.branch_id else 0) def switch_to_deploy(self): 将训练模式切换为推理模式重参数化 kernel, bias self._get_equivalent_kernel_bias() self.fuse nn.Conv2d(self.in_ch, self.out_ch, 3, 1, 1, biasTrue) self.fuse.weight.data kernel self.fuse.bias.data bias self.deploy True五、ELAN 设计哲学梯度路径最优YOLOv7-v85.1 ELANEfficient Layer Aggregation Networksgraph LR A[输入] -- B[Conv 1×1] A -- C[Conv 1×1] A -- D[Conv 1×1] A -- E[Conv 1×1] B -- F[Module 1br/多卷积块] C -- F F -- G[Module 2] D -- G G -- H[Concat] E -- H H -- I[输出] style A fill:#4ECDC4,color:#fff style I fill:#FF6B6B,color:#fff5.2 ELAN 的核心思想graph TD A[ELAN 设计哲学] -- B[梯度路径最短br/最远 2 个卷积块] A -- C[特征聚合最强br/4 条路径融合] A -- D[过渡层最少br/避免信息损失] style A fill:#FF6B6B,color:#fff style B fill:#4ECDC4,color:#fff style C fill:#95E1D3,color:#000 style D fill:#FFD93D,color:#0005.3 YOLOv7 E-ELAN 关键数据模型骨干mAP50小目标 mAPFPS (V100)YOLOv5lCSPDarknet89%50%90YOLOv7E-ELAN92%52.1%161YOLOv8lC2f92%53%130幽默点 #5ELAN 就像城市地铁规划——不是所有站都停避免梯度冗余但关键节点全覆盖保证特征提取。梯度不会绕路。六、终极形态GELAN 动态路由YOLOv96.1 GELAN 是什么GELAN Generalized ELAN——通用化的高效层聚合。YOLOv9 的核心创新。graph TB A[GELAN 动态路由] -- B[输入特征] B -- C{路由决策} C --|简单特征| D[轻量路径br/少量计算] C --|复杂特征| E[深度路径br/更多计算] D -- F[输出] E -- F style A fill:#4ECDC4,color:#fff style C fill:#FFD93D,color:#000 style D fill:#6BCB77,color:#fff style E fill:#FF6B6B,color:#fff6.2 动态路由的智能化graph TD A[传统骨干] -- B[统一路径br/无论简单/复杂都全量计算] C[GELAN 骨干] -- D[动态路径br/根据输入决定算力] B -- E[浪费 30% 算力] D -- F[节省 30% 算力] style A fill:#FF6B6B,color:#fff style C fill:#6BCB77,color:#fff style E fill:#FF6B6B,color:#fff style F fill:#6BCB77,color:#fff6.3 YOLOv9 性能模型骨干mAP50mAP50:95FPS (A100)参数量YOLOv8xC2f94%65%16568MYOLOv9eGELAN94.5%66.5%15058M效率技巧YOLOv9 比 v8 精度更高、参数更少——这就是 GELAN 动态路由的优势。七、骨干网络设计哲学三大目标7.1 三个核心目标graph TB A[骨干网络设计目标] -- B[目标 1br/减少计算冗余] A -- C[目标 2br/提升特征效率] A -- D[目标 3br/增强泛化能力] B -- E[CSPNetbr/减少 30%] C -- F[ELAN/GELANbr/梯度路径最优] D -- G[RepVGGbr/多分支训练] style A fill:#FF6B6B,color:#fff style B fill:#4ECDC4,color:#fff style C fill:#95E1D3,color:#000 style D fill:#FFD93D,color:#0007.2 各代骨干的师承关系graph LR A[Darknet-19/53br/2016-2018] --| 残差| B[CSPDarknetbr/2020] B --| 重参数化| C[RepVGGbr/2022] C --| 高效聚合| D[ELANbr/2022] D --| 动态路由| E[GELANbr/2024] E --| 多模态| F[YOLOv10br/2024] style A fill:#95E1D3,color:#000 style B fill:#FFD93D,color:#000 style C fill:#4ECDC4,color:#fff style D fill:#FF6B6B,color:#fff style E fill:#9D4EDD,color:#fff style F fill:#6BCB77,color:#fff八、避坑指南选骨干的 5 个真实坑坑 1盲目追新 文档不熟症状用 YOLOv9 GELAN结果社区资料全是 v5/v8。解法新项目优先 v8社区最成熟研究项目尝鲜 v9/v10。坑 2参数量和速度不匹配症状选 YOLOv8x68M 参数结果边缘设备根本跑不动。解法边缘设备YOLOv8n/s服务器YOLOv8m/l/x用 FLOPs 而非参数量评估坑 3忽视输入分辨率症状骨干设计的输入是 640×640你用 1280×1284 训练显存爆炸。解法严格按骨干设计的分辨率训练。坑 4迁移学习失败症状用 COCO 预训练权重迁移到自定义数据mAP 不升反降。解法冻结骨干前 3 层只微调后几层学习率要降一个数量级数据增强要保留坑 5忽视推理框架兼容症状骨干用了 RepVGG 训练部署到 TensorRT 时失败。解法RepVGG 部署前先切换到 deploy 模式检查 ONNX 算子兼容性必要时换 CSPDarknet⚠️避坑警告骨干网络不是越新越好。工业部署要成熟 兼容研究项目要创新 性能。九、总结骨干网络进化的 3 条主线9.1 三条主线graph TD A[YOLO 骨干演进 3 条主线] -- B[主线 1br/减少冗余br/Darknet → CSPNet] A -- C[主线 2br/提升效率br/ELAN → GELAN] A -- D[主线 3br/简化部署br/RepVGG 重参数化] style A fill:#FF6B6B,color:#fff style B fill:#4ECDC4,color:#fff style C fill:#95E1D3,color:#000 style D fill:#FFD93D,color:#0009.2 各代骨干的代表作骨干代表版本一句话总结Darknet-19YOLOv1/v2VGG 风格开启 YOLO 时代Darknet-53YOLOv3引入残差53 层深度网络CSPDarknetYOLOv4/v5跨阶段部分连接减 30% 计算RepVGGYOLOv6重参数化训练多分支/推理单路ELANYOLOv7梯度路径最优小目标 mAP 2.1%C2fYOLOv8CSP 残差模块化设计GELANYOLOv9动态路由自适应算力多模态融合YOLOv10文本图像下一代骨干9.3 一句话总结从 Darknet 到 GELANYOLO 骨干网络走过 10 年本质上只做了 3 件事1. 减少计算冗余CSPNet 减 30%2. 提升特征效率ELAN/GELAN3. 简化部署RepVGG 重参数化没有银弹骨干只有最适合业务的那个。 文末三件套【源码获取】关注此公众号后台回复「YOLO03」获取本文全部代码Darknet53 CSPDarknet RepVGG C2f GELAN 完整实现。【思考题】YOLOv9 的 GELAN 引入动态路由——根据输入决定算力分配。这种智能化骨干会带来什么副作用训练会不会变慢推理延迟会不会不稳定为什么传统架构不用动态路由欢迎在评论区讨论。【系列文章预告】✅ 03 篇骨干网络演进——从 Darknet 到 GELAN本文⏭️ 04 篇CSPNet 架构解密——为什么跨阶段连接能减 30% 计算⏭️ 05 篇颈部网络进化史——FPN → PANet → E-ELAN⏭️ 06 篇检测头设计革命——从 Anchor Box 到 Anchor-Free 解耦头⏭️ 07-10 篇YOLOv1-v10 各版本详解⏭️ 后续 20 篇行业应用、案例、训练部署避坑标签#骨干网络#Darknet#CSPNet#GELAN#ELAN#RepVGG#特征提取