YOLO网络结构深度解析：Backbone、Neck、Head机制
作者：黒漂技术佬 | 系列：YOLO目标检测算法精讲
前言：三层架构，各司其职
把一张图扔进 YOLO，出来就是检测结果。中间的"黑盒"到底长什么样？
现代目标检测网络的架构，可以拆成三段：Backbone（骨干网络）→ Neck（颈部网络）→ Head（检测头）。这三个词如果直译会显得很滑稽——“骨干、脖子、头”，但它们的职能划分非常清晰，理解了就不会忘。
本文以 YOLOv5 和 YOLOv8 为例，逐一拆解每一层的作用、内部结构和设计思想。
一、Backbone：负责"看懂"图片
它是什么？
Backbone（骨干网络）是整个网络的第一阶段，负责从原始图片中逐层提取特征。输入是一张 RGB 图片（比如 640×640×3），输出是一系列"特征图"——这些特征图不再保留原始像素信息，而是编码了"哪里有边缘"“哪里有纹理”"哪里有形状"这类高层次语义信息。
通俗比喻
如果把目标检测比作辨认一个人：
- Backbone就相当于你的视觉皮层——把视网膜上的光信号，逐层处理成"这是一张脸""脸上有眼睛鼻子嘴"这样的特征表示。
- Neck相当于你整合不同尺度信息的能力——“这个人个子高（全局特征），但脸上有颗痣（局部特征）”。
- Head相当于你做判断——“这个人是张三（分类），他在距离我5米的地方（定位）”。
