Архитектура YOLO: от YOLOv3 до YOLO26#

Каждая модель Ultralytics YOLO состоит из трёх этапов: магистрали, которая извлекает признаки, шейки, которая объединяет их на разных масштабах, и головы, которая предсказывает рамки и классы. В этом руководстве описаны модули каждого этапа и их изменения от YOLOv3 до YOLO26: для каждого компонента указано его определение в файлах конфигурации в ultralytics/cfg/models/ и в классах модулей в ultralytics/nn/modules/.

Каждая модель декларативно описывается в YAML-файле как упорядоченный список слоёв, где каждый слой соответствует формату [from, repeats, module, args]: какие слои подают на него данные, сколько раз повторяется модуль, класс слоя (Conv, C3k2, SPPF, Detect, …) и аргументы конструктора. В руководстве по конфигурации YAML модели описан этот формат, в том числе масштабирование repeats и args с учётом множителей глубины и ширины варианта, а также подробно разобрана система разрешения модулей. Здесь основное внимание уделено самим модулям и их изменениям от версии к версии.

Три этапа#

Каждая модель Ultralytics YOLO последовательно обрабатывает изображение в три этапа, у каждого из которых своя задача:

Базовая единица — блок Conv (определённый в conv.py): двумерная свёртка, пакетная нормализация и активация SiLU, применяемые последовательно. Все более крупные модули ниже составлены из блоков Conv.

Диаграммы архитектуры#

В каждой версии сохраняется одна и та же схема основная сеть → шея → голова, но меняются отдельные этапы. На вкладках ниже показана структура каждой версии: этапы основной сети и шеи соответствуют конфигам в ultralytics/cfg/models/, а головы YOLOv3 и YOLOv5 показаны в исходном варианте с якорями, а не в безъякорном варианте головы u, который фактически поставляется с их пакетами. Переключаясь между вкладками, ты увидишь, что добавлялось в каждом поколении. Кратко: YOLOv3 — детектор только с FPN, использующий якоря; YOLOv5 добавляет восходящий путь PAN и SPPF; YOLOv8 переходит на блок C2f с безъякорной головой DFL; YOLO11 добавляет механизм внимания C2PSA и блок C3k2; YOLO26 добавляет остаточную связь SPPF, убирает DFL и добавляет необязательную голову без NMS.

На диаграммах YOLOv3 и YOLOv5 показана исходная голова с опорными якорями. Пакет ultralytics поставляется с конфигурациями YOLOv3u и YOLOv5u без якорей: в них используются те же магистрали Darknet-53 и C3, но голова Detect из YOLOv8, как описано в разделе «Голова детектора».

Блоки магистрали: Bottleneck → C3 → C2f → C3k2#

Магистраль состоит из повторяющегося блока CSP (Cross-Stage Partial) между слоями понижения разрешения Conv с шагом 2. Именно этот повторяющийся блок сильнее всего менялся от версии к версии. Все блоки ниже находятся в block.py; c1/c2 обозначают входное/выходное число каналов, а c = 0.5 * c2 — скрытую ширину.

Bottleneck (YOLOv3)#

Базовая единица — Bottleneck: два слоя Conv (размеры ядер по умолчанию — (3, 3)) с необязательным остаточным сложением, если shortcut=True и c1 == c2. Магистраль Darknet-53 в YOLOv3 напрямую соединяет такие блоки, без разделения CSP, а детекция выполняется на трёх масштабах (шаги 8, 16 и 32).

C3 (YOLOv5)#

C3 в YOLOv5 разделяет входные данные между двумя свёртками 1x1: cv1 направляет данные в n последовательных блоков Bottleneck (ядра (1, 1), затем (3, 3)), а cv2 обходит их. Два пути конкатенируются и объединяются третьим 1x1 Conv:

def forward(self, x):
    # C3: путь bottleneck m(cv1(x)) конкатенируется с обходным путём cv2(x), затем объединяется с помощью cv3
    return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

До свёртки объединения доходит только выход последнего блока bottleneck, поэтому cv3 получает 2 карты признаков.

C2f (YOLOv8)#

В C2f из YOLOv8 изменено то, какие признаки поступают на свёртку объединения («CSP Bottleneck с 2 свёртками, более быстрый»):

1. Сначала выполняется cv1 = Conv(c1, 2 * c, 1), затем chunk(2) разделяет выходной тензор на два тензора с c каналами.
2. Блоки n Bottleneck(c, c) (ядра (3, 3), (3, 3)) выполняются последовательно; на вход каждого следующего блока подаётся выход предыдущего.
3. Все промежуточные тензоры n + 2 конкатенируются и объединяются с помощью cv2 = Conv((2 + n) * c, c2, 1).

В C3 на свёртку объединения подаются 2 карты признаков, а в C2f — n + 2: используется выход каждого промежуточного блока bottleneck.

C3k2 (YOLO11 и YOLO26)#

В YOLO11 и YOLO26 используется C3k2 — подкласс C2f, в котором заменён повторяющийся блок. В зависимости от флагов конструктора каждый блок n становится:

• обычным Bottleneck (по умолчанию, c3k=False),
• блоком C3k (c3k=True) — вариантом C3 с настраиваемым размером ядра, или
• парой Bottleneck + PSABlock (attn=True).

Второй аргумент YAML задаёт c3k, если только масштаб не равен m, l или x: в этих случаях значение принудительно устанавливается в True. Благодаря этому один yolo11.yaml подходит для всех пяти вариантов. Поэтому [-1, 2, C3k2, [512, False]] создаёт внутренние блоки Bottleneck с n и s, но внутренние блоки C3k — с m, l и x; значение 512 — это число каналов до масштабирования, которое множитель ширины варианта преобразует в 128 для n и 768 для x. Для модулей CSP поле repeats — здесь это 2 до масштабирования множителем глубины варианта — задаёт число повторений внутри блока, а не число отдельных последовательно расположенных модулей.

Пространственный пулинг: SPP → SPPF#

В конце магистрали блок пространственного пирамидального пулинга расширяет рецептивное поле. В YOLOv5 исходный многоканальный по ядрам SPP заменили на SPPF (быстрый пространственный пирамидальный пулинг): один MaxPool2d(kernel_size=5, stride=1, padding=2) применяется последовательно n = 3 раз, после чего вход и все три результата пулинга конкатенируются и объединяются с помощью 1x1 Conv. Это математически эквивалентно SPP(k=(5, 9, 13)), но работает быстрее, поскольку цепочка операций пулинга 5x5 охватывает рецептивные поля более крупных ядер.

В YOLO26 передаётся флаг shortcut (SPPF, [1024, 5, 3, True]); поскольку c1 == c2 == 1024 находится на самом глубоком слое, SPPF добавляет остаточное соединение (return y + x).

Пространственное внимание: C2PSA (YOLO11 и новее)#

В YOLO11 после SPPF добавили C2PSA. Это блок CSP с активной ветвью, состоящей из стека модулей n PSABlock (внимание с учётом позиции): cv1 = Conv(c1, 2 * c, 1) разделяет признаки, одна половина проходит через стек PSABlock, а cv2 = Conv(2 * c, c1, 1) объединяет конкатенированные данные. Каждый PSABlock выполняет многоголовое внимание, а затем пропускает данные через двухслойную полносвязную сеть (Conv(c, 2 * c, 1) → Conv(2 * c, c, 1)); после каждой операции используется остаточное соединение. В YOLO26 используется та же магистраль C3k2 + C2PSA.

Шейка: FPN + PAN#

Шейка объединяет карты признаков P3/P4/P5 магистрали: сначала с помощью идущей сверху вниз сети пирамиды признаков (Feature Pyramid Network, FPN), затем — идущей снизу вверх сети агрегации путей (Path Aggregation Network, PAN). В секции head YAML-файла FPN соответствует nn.Upsample + Concat (передача семантической информации на более высокие разрешения), а PAN — операциям Conv + Concat с шагом 2 (передача информации о локализации обратно на более низкие разрешения):

# YOLO11 head (FPN top-down, then PAN bottom-up)
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 2, C3k2, [512, False]] # 13
# ... second upsample + concat to P3 ...
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 13], 1, Concat, [1]] # cat head P4 (PAN)
- [-1, 2, C3k2, [512, False]] # 19

В шейке повторно используется блок магистрали соответствующего поколения: C3 в YOLOv5, C2f в YOLOv8 и C3k2 в YOLO11 и YOLO26. Поэтому в каждой точке объединения выполняется тот же модуль, что и в магистрали. Три объединённых выхода подаются на голову. YOLOv3 — исключение: её шейка использует только FPN, идущую сверху вниз (в её YAML-секции head нет понижения разрешения с шагом 2), без пути PAN снизу вверх, который появился в YOLOv5.

Голова детектора: с опорными якорями → без якорей → без NMS#

Голова преобразует три объединённые карты признаков в предсказания для задачи детекции. В разных версиях её устройство менялось: от варианта с опорными якорями к варианту без якорей, а затем к варианту без NMS.

Голова Detect без якорей с разделёнными ветвями#

В исходных YOLOv3 и YOLOv5 использовалась голова с опорными якорями и общей ветвью для предсказания рамок и классов. В отдельных репозиториях ultralytics/yolov3 и ultralytics/yolov5 сохранена эта архитектура с опорными якорями. Вместо неё основной пакет ultralytics поставляется с вариантами YOLOv3u и YOLOv5u без якорей: в них используются те же магистрали Darknet-53 и C3, но голова Detect из YOLOv8 без якорей. Описанные здесь конфигурации yolov3.yaml и yolov5.yaml — это варианты u, а не историческая архитектура.

Голова Detect (head.py — без якорей и с разделёнными ветвями: на каждом уровне пирамиды она запускает две параллельные ветви и предсказывает непосредственно в точках сетки, а не относительно опорных якорей.

• Ветвь рамок (cv2): Conv(x, c2, 3) → Conv(c2, c2, 3) → Conv2d(c2, 4 * reg_max, 1).
• Ветвь классов (cv3): в YOLO11 и YOLO26 используются два блока с разделяемыми свёртками (DWConv + 1x1 Conv) → Conv2d(c3, nc, 1); в YOLOv8 применяется устаревший вариант: два слоя 3x3 Conv → Conv2d(c3, nc, 1).

Таким образом, каждая опорная точка выдаёт no = nc + 4 * reg_max значений. При отказе от заранее заданных якорей размеры и соотношения сторон опорных рамок больше не нужно настраивать в гиперпараметрах.

Distribution Focal Loss (DFL)#

В YOLOv8 и YOLO11 каждая из 4 координат рамки регрессируется как распределение по reg_max = 16 бинам, а не как одно скалярное значение (интегральная форма из обобщённой фокальной функции потерь). Модуль DFL преобразует 4 * reg_max каналов рамки в (4, reg_max), применяет softmax по reg_max бинам и берёт математическое ожидание индекса бина в качестве предсказанной координаты: каждый индекс умножается на свою вероятность после softmax, а затем полученные значения суммируются. Это реализовано с помощью фиксированной свёртки 1x1, веса которой — индексы бинов arange(reg_max), поэтому взвешенная сумма вычисляется одним скалярным произведением.

YOLO26: без NMS и DFL#

YOLO26 задаёт два параметра YAML, которые напрямую использует голова:

• end2end: True — Detect создаёт глубокие копии ветвей для головы один-к-одному (one2one_cv2/one2one_cv3), которая учится выдавать одно предсказание на объект. Эта настройка YAML создаёт обе головы для обучения; во время выполнения nms=False выбирает голову один-к-одному и удаляет этап постобработки — подавление немаксимумов (NMS). Подробности инференса и экспорта см. в руководстве по сквозной детекции.
• reg_max: 1 — при одном бине self.dfl становится nn.Identity() и no = nc + 4; голова напрямую регрессирует координаты, и в экспортированном графе ONNX нет операции DFL.

Во всех пяти размерах модели YOLO26 (n/s/m/l/x) достигает 40.9–57.5 mAP на COCO при задержке 1.7–11.8 мс на T4 с TensorRT, как указано в статье о YOLO26.

Сводка по версиям#

Подробности о каждой модели, таблицы производительности и примеры использования см. на отдельных страницах YOLOv3, YOLOv5, YOLOv8, YOLO11 и YOLO26.

Изучи архитектуру самостоятельно#

Метод model.info() выводит сводку по слоям, параметрам и FLOPs, а список разобранных модулей доступен в model.model.model.

from ultralytics import YOLO

# Загрузи предварительно обученную модель
model = YOLO("yolo11n.pt")

# Объедини слои Conv + BatchNorm, чтобы число параметров совпадало с опубликованными спецификациями
model.fuse()

# Выведи сводку: слои, параметры, градиенты, GFLOPs
model.info()

# Изучи голову детектора (последний модуль сети)
head = model.model.model[-1]
print(type(head).__name__, "| reg_max:", head.reg_max, "| DFL layer:", type(head.dfl).__name__)

Запуск фрагмента кода для трёх поколений наглядно показывает численные изменения. Это реальные результаты для объединённых моделей из пакета ultralytics, совпадающие с опубликованными значениями числа параметров и FLOPs на страницах моделей:

Для YOLO26n указаны reg_max=1 и слой DFL Identity. По умолчанию для предсказаний и валидации используется схема один-ко-многим с NMS; чтобы выполнять инференс без NMS, задай nms=False. Обе головы обучаются.

Заключение#

От версии к версии архитектура YOLO менялась поэтапно: основная сеть перешла от Darknet-53 к основанным на CSP блокам C3, C2f и C3k2 с механизмом внимания C2PSA; шея сохранила структуру FPN + PAN, а SPP превратился в SPPF; голова прошла путь от варианта с якорями к безъякорному, а затем — к архитектуре YOLO26 без DFL и с необязательной сквозной головой без NMS.

Чтобы определить собственные архитектуры, ознакомься с руководством по настройке YAML модели или сравни модели на страницах моделей. Если возникнут вопросы, обратись к нам на GitHub или Discord.

Часто задаваемые вопросы#