Backbone

Backbone（骨干网络）是检测/分割/识别模型的“特征提取器”，负责把原始图像（H×W×3）编码成多尺度、高语义、低噪声的特征图（如 H/4 ~ H/32 的 256/512/1024-d 特征）。一句话：“Backbone 越好，后续检测头越省力。”

下面用“1 张演进图 + 4 条技术线 + 2025 选型表”一次讲清，直接抄。

---

一、Backbone 演进时间轴（记大节点）

复制

2012  AlexNet      → CNN 开端
2014  VGG16        → 3×3 堆叠
2015  ResNet       → 残差跳跃，100+ 层可行
2017  DenseNet     → 密集连接，省参数
2019  EfficientNet → 复合缩放（深度+宽度+分辨率）
2021  Swin-T       → 窗口注意力 + 移位，CNN 与 Transformer 融合
2023  ConvNeXt V2  → 纯 CNN 反超 Transformer，无需注意力
2025  InternImage-H →  deformable CNN 大规模，全局感受野

 

---

二、2025 主流 Backbone 技术线

表格

复制

技术线	代表模型	核心 trick	适用场景
ResNet 系	Res50/101, ResNeXt	残差跳跃，FPN 友好	通用检测，显存 6-8G
Transformer 系	Swin-T/S/B, InternImage	窗口/可变形注意力，全局感受野	小目标、模糊图
Efficient 系	EfficientNet-B0~B7	复合系数缩放，FLOPs↓	移动端、实时
CNN 复兴系	ConvNeXt V2, InternImage-H	大 kernel + LayerScale，无注意力	高吞吐、TensorRT 友好

---

三、2025 工业选型速查表（MMDetection/MMYOLO 实测）

表格

复制

模型	参数量	COCO AP	显存 (FP16)	FPS (TRT)	说明
ResNet50-FPN	26M	40.2	4.5G	38	baseline，最稳
Swin-T-FPN	28M	43.8	6.2G	30	小目标↑3%
EfficientNet-B3	12M	42.1	3.8G	45	移动端首选
ConvNeXt-T	27M	44.4	5.5G	36	纯 CNN，TensorRT 极速
InternImage-T	30M	45.8	7.0G	28	全局感受野，模糊图利器

---

四、关键实现（MMDetection 风格）

Python

复制

# Swin-T 示例
model = dict(
    type='FasterRCNN',
    backbone=dict(
        type='SwinTransformer',
        embed_dims=96,
        depths=[2,2,6,2],
        num_heads=[3,6,12,24],
        window_size=7,
        drop_path_rate=0.2,
        patch_norm=True,
        out_indices=(0,1,2,3)),
    neck=dict(type='FPN', in_channels=[96,192,384,768], out_channels=256, num_outs=5),
    ...
)

 

---

五、一句话总结

“Backbone 就是 ‘特征抽取发动机’；从 ResNet 到 Swin 到 ConvNeXt，卷积→注意力→大 kernel 轮番演进；
2025 年工业选型：通用用 Res50，小目标用 Swin，移动端用 EfficientNet，高吞吐用 ConvNeXt。”