视觉模型的核心架构可统一为 Backbone-Neck-Head三段式结构，各部分分工明确且紧密协作：
- Backbone（编码器Encoder）
模型的特征提取基础，通过卷积、批归一化、激活函数等层的堆叠，从输入图像中逐层提取多尺度特征。浅层捕捉边缘、纹理等细节信息，深层生成语义、类别等高层信息。常见实现包括 ResNet、VGG、EfficientNet 等，其设计直接决定特征的表达能力。 - Neck（特征融合层）
位于 Encoder 与 Decoder 之间的关键桥梁，核心作用是整合多尺度特征。通过 FPN、PANet、BiFPN 等模块，将 Encoder 输出的浅层细节与深层语义进行融合，解决不同尺度目标的特征表达问题，为后续任务提供更全面的特征支撑。 - Head（解码器Decoder）
针对具体视觉任务的执行模块，负责将 Neck 输出的融合特征映射为任务所需的最终结果。
分类任务：通过全连接层将特征映射为类别概率；
目标检测：通过边界框回归和分类分支生成检测结果；
语义分割：通过上采样等操作恢复图像分辨率，实现像素级分类。
其架构完全由任务需求决定，是模型的 “任务执行端”。
