YOLO 架构详解：从 YOLOv3 到 YOLO26#

每一个 Ultralytics YOLO 模型都由三个阶段构建而成：提取特征的骨干网络（backbone）、跨尺度融合特征的颈部网络（neck），以及预测边界框和类别的头部网络（head）。本指南记录了构成每个阶段的模块，以及它们从 YOLOv3 到 YOLO26 的演变过程，并将每个组件追溯到 ultralytics/cfg/models/ 下配置文件中的定义以及 ultralytics/nn/modules/ 中的模块类。

每个模型都在 YAML 文件中以声明方式定义为层的有序列表，其中每一层都遵循 [from, repeats, module, args] 格式：输入来自哪一层（或哪些层）、模块重复的次数、层类（Conv、C3k2、SPPF、Detect 等）以及构造函数参数。Model YAML Configuration Guide 记录了这种格式（包括 repeats 和 args 如何随变体的深度和宽度倍数进行缩放），以及完整的模块解析系统。本指南重点介绍模块本身及其在不同版本之间的变化。

三个阶段#

每个 Ultralytics YOLO 模型都将图像通过三个顺序阶段进行路由，每个阶段都有明确的任务：

基本单元是 Conv 块（定义于 conv.py）：按顺序应用的二维卷积、批量归一化（batch normalization）和 SiLU 激活函数。下面所有的更大模块都是通过组合 Conv 块构建的。

架构图#

每版本都保留相同的 backbone → neck → head 骨架并改变特定阶段。下方的标签页展示了各版本的结构：backbone 和 neck 阶段遵循 ultralytics/cfg/models/ 中的配置，而 YOLOv3 和 YOLOv5 的 head 则以其原始的 anchor-based 形式绘制，而不是它们软件包配置实际采用的无 anchor u 变体 head。逐个查看标签页可以了解每一代新增的内容。简而言之，演进过程是：YOLOv3 是一个仅有 FPN、基于 anchor 的检测器；YOLOv5 添加了自下而上的 PAN 路径和 SPPF；YOLOv8 切换到带有无 anchor、DFL head 的 C2f 模块；YOLO11 插入了 C2PSA 注意力和 C3k2 模块；YOLO26 则添加了 SPPF 残差，并使 head 变为无 NMS 和无 DFL。节点颜色遵循文档图表惯例：绿色表示输入，蓝色表示 backbone，石板灰表示空间池化和注意力，橙色表示 neck，紫色表示 head 和输出。

flowchart TD
    IN[Input 640x640]:::start --> ST[Conv stem<br/>5x stride-2 down to P1-P5]:::proc
    ST --> BB[Darknet-53 backbone<br/>stacked Bottleneck]:::proc
    BB --> FPN[Neck FPN only<br/>top-down Upsample + Concat]:::decide
    FPN --> HD[Detect head<br/>3 scales, anchor-based]:::out
    HD --> O[Predictions + NMS]:::out
    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

YOLOv3 和 YOLOv5 图表展示了最初的基于锚框的头部。ultralytics 软件包自带无锚框的 YOLOv3u 和 YOLOv5u 配置——它们拥有与 Darknet-53 和 C3 相同的骨干网络，但配备了 YOLOv8 的 Detect 头部——这些内容在检测头部（Detection Head）下有详细描述。

Backbone 块：Bottleneck → C3 → C2f → C3k2#

骨干网络在步长为 2 的 Conv 下采样层之间堆叠了一个重复的 CSP（跨阶段局部，Cross-Stage Partial）块。这个重复的块在各个版本中变化最大。以下所有块都位于 block.py 中；c1/c2 是输入/输出通道，c = 0.5 * c2 是隐藏宽度。

Bottleneck (YOLOv3)#

基础单元是 Bottleneck：两个 Conv 层（默认卷积核 (3, 3)），当 shortcut=True 且 c1 == c2 时带有可选的残差相加。YOLOv3 的 Darknet-53 骨干网络直接堆叠了这些单元，没有 CSP 拆分，并在三个尺度（步长 8、16、32）上进行检测。

C3 (YOLOv5)#

YOLOv5 的 C3 将输入拆分到两个 1x1 卷积中：cv1 馈送 n 个顺序的 Bottleneck 块（卷积核先是 (1, 1)，然后是 (3, 3)），cv2 则绕过它们。这两条路径被拼接并通过第三个 1x1 Conv 进行融合：

def forward(self, x):
    # C3: bottleneck path m(cv1(x)) concatenated with bypass cv2(x), then fused by cv3
    return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

只有最终的瓶颈输出到达融合卷积，因此 cv3 看到 2 个特征图。

C2f (YOLOv8)#

YOLOv8 的 C2f（“带 2 个卷积、速度更快的 CSP 瓶颈”）改变了到达融合卷积的特征：

1. cv1 = Conv(c1, 2 * c, 1)，然后 chunk(2) 将输出拆分为两个 c 通道的张量。
2. n Bottleneck(c, c) 块（卷积核 (3, 3)、(3, 3)）顺序运行，每个块都由前一个块的输出提供输入。
3. 所有 n + 2 中间张量都被拼接并通过 cv2 = Conv((2 + n) * c, c2, 1) 进行融合。

在 C3 将 2 个特征图传递到其融合卷积中的地方，C2f 传递了 n + 2 个——每个中间瓶颈输出都被重复使用。

C3k2 (YOLO11 和 YOLO26)#

YOLO11 和 YOLO26 使用 C3k2，它是 C2f 的子类，替换了重复单元。根据构造函数标志，每个 n 块变为：

• 一个普通的 Bottleneck（默认，c3k=False），
• 一个 C3k 块（c3k=True）——一个具有可配置卷积核大小的 C3 变体，或者
• 一个 Bottleneck + PSABlock 对（attn=True）。

第二个 YAML 参数设置 c3k；例如，[-1, 2, C3k2, [512, True]] 在 512 个输出通道处构建一个 C3k2 模块，其内部块为 C3k（因为 c3k=True）。对于 CSP 模块，repeats 字段——此处为 2，在按变体的深度倍数缩放之前——成为块的内部重复次数，而不是堆叠独立的模块。

空间池化：SPP → SPPF#

在 backbone 的末尾，空间金字塔池化模块扩大了感受野。YOLOv5 用 SPPF（空间金字塔池化 - 快速）替换了原始的多核 SPP：一个单一的 MaxPool2d(kernel_size=5, stride=1, padding=2) 按顺序应用了 n = 3 次，输入和所有三个池化输出被拼接并通过 1x1 Conv 进行融合。这在数学上等同于 SPP(k=(5, 9, 13)) 但成本更低，因为链式的 5x5 池化覆盖了较大卷积核的感受野。

YOLO26 传递了一个捷径标志（SPPF, [1024, 5, 3, True]）；由于在最深层有 c1 == c2 == 1024，SPPF 添加了一个残差连接（return y + x）。

空间注意力：C2PSA (YOLO11+)#

YOLO11 在 SPPF 之后添加了 C2PSA。它是一个 CSP 模块，其活动分支是一堆 n PSABlock（位置敏感注意力）模块：cv1 = Conv(c1, 2 * c, 1) 拆分特征，一半通过 PSABlock 堆栈，cv2 = Conv(2 * c, c1, 1) 则融合拼接结果。每个 PSABlock 应用多头注意力，随后是一个两层的前馈网络（Conv(c, 2 * c, 1) → Conv(2 * c, c, 1)），每个都带有残差连接。YOLO26 保留了相同的 C3k2 + C2PSA backbone。

Neck：FPN + PAN#

颈部网络将骨干网络的 P3/P4/P5 特征图与自顶向下的特征金字塔网络（FPN）以及随后的自底向上的路径聚合网络（PAN）进行融合。在 YAML 头部部分，FPN 是 nn.Upsample + Concat（将语义信息向下传递到更高分辨率），而 PAN 是步长为 2 的 Conv + Concat（将定位信息传回上方）：

# 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

颈部网络重用了其生成周期的骨干网络块——在 YOLOv5 中为 C3，在 YOLOv8 中为 C2f，在 YOLO11 和 YOLO26 中为 C3k2——因此每个合并点都运行骨干网络所使用的相同模块。三个融合输出馈送到头部。YOLOv3 是个例外：它的颈部只有自顶向下的 FPN（其 YAML 头部没有步长为 2 的下采样），没有 YOLOv5 引入的自底向上的 PAN 路径。

检测头：基于锚点 → 无锚点 → 无 NMS#

头部网络将三个融合的特征图转换为针对检测任务的预测。其设计在各个版本中发生了变化，从基于锚框到无锚框，再到无 NMS。

无锚框、解耦的 Detect#

原始的 YOLOv3 和 YOLOv5 使用了基于 anchor 的、耦合的 head：预定义的 anchor 框以及用于框和类别预测的共享分支。独立的 ultralytics/yolov3 和 ultralytics/yolov5 仓库保留了该基于 anchor 的设计。主要的 ultralytics 软件包反而搭载了无 anchor 的 YOLOv3u 和 YOLOv5u 变体 —— 即具有 YOLOv8 无 anchor Detect head 的相同 Darknet-53 和 C3 backbone —— 并且这里记录的 yolov3.yaml 和 yolov5.yaml 配置正是这些 u 变体，而非历史设计。

Detect 头部（head.py）是无锚框且解耦的：它在每个金字塔层级上运行两个并行分支，并直接在网格点上进行预测，而不是针对锚框进行预测。

• 边界框分支（cv2）： Conv(x, c2, 3) → Conv(c2, c2, 3) → Conv2d(c2, 4 * reg_max, 1)。
• 类别分支（cv3）： 在 YOLO11 和 YOLO26 中，两个深度可分离块（DWConv + 1x1 Conv）→ Conv2d(c3, nc, 1)；YOLOv8 使用传统变体，即两个 3x3 Conv 层 → Conv2d(c3, nc, 1)。

因此，每个锚点都会发出 no = nc + 4 * reg_max 个输出。移除预定义的锚框消除了必须调优的超参数中的锚框大小和长宽比。

分布焦点损失 (DFL)#

YOLOv8 和 YOLO11 将 4 个边界框坐标中的每一个回归为 reg_max = 16 个箱（bins）上的分布，而不是单个标量（来自广义焦点损失（Generalized Focal Loss）的积分形式）。DFL 模块将 4 * reg_max 边界框通道重塑为 (4, reg_max)，对 reg_max 个箱应用 softmax，并将期望的箱索引——每个箱索引由其 softmax 概率加权，然后求和——作为预测坐标。这实现为一个固定的 1x1 卷积，其权重是箱索引 arange(reg_max)，因此加权和是一个单一的点积。

YOLO26：无 NMS，无 DFL#

YOLO26 设置了两个供头部直接读取的 YAML 参数：

• end2end: True — Detect 将其分支深拷贝到一对一头部（one2one_cv2/one2one_cv3）中，为每个对象产生单个预测，从而去掉了非极大值抑制（Non-Maximum Suppression）（NMS）后处理步骤。有关导出和迁移的详细信息，请参阅端到端检测指南（End-to-End Detection guide）。
• reg_max: 1 — 只有一个箱时，self.dfl 变成 nn.Identity() 和 no = nc + 4；头部直接回归坐标，并且导出的 ONNX 图中不会出现 DFL 操作。

在其五个模型尺寸（n/s/m/l/x）中，YOLO26 在 COCO 上达到了 40.9-57.5 的 mAP，T4 TensorRT 延迟为 1.7-11.8 ms，正如 YOLO26 论文中所报告的那样。

版本总结#

有关逐个模型的详细信息、性能表格和使用示例，请参阅 YOLOv3、YOLOv5、YOLOv8、YOLO11 和 YOLO26 的单独页面。

亲自检查架构#

model.info() 方法会打印层、参数和 FLOPs 摘要，并且解析后的模块列表可在 model.model.model 上获取。

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Fuse Conv + BatchNorm layers so counts match the published specs
model.fuse()

# Print a summary: layers, parameters, gradients, GFLOPs
model.info()

# Inspect the detection head (the last module in the network)
head = model.model.model[-1]
print(type(head).__name__, "| reg_max:", head.reg_max, "| end2end:", head.end2end)

跨三个世代运行该代码片段可以以数字方式展示这些变化。这些是来自 ultralytics 软件包的真实融合模型输出，与每个模型页面上公布的参数和 FLOPs 数量相匹配：

YOLO26n 报告了 reg_max=1、end2end=True 以及一个 Identity DFL 层——这是其无 NMS、无 DFL 头部的架构特征。

结论#

在各个版本中，YOLO 架构每次更改一个阶段：backbone 从 Darknet-53 演变为带有 C2PSA 注意力的基于 CSP 的 C3、C2f 和 C3k2 模块；neck 保持其 FPN + PAN 结构，同时 SPP 变成了 SPPF；head 则从基于 anchor 转变为无 anchor，然后演变为 YOLO26 的无 NMS、无 DFL 的端到端设计。

要定义自定义架构，请参阅模型 YAML 配置指南（Model YAML Configuration Guide），或在模型页面上比较模型。如有疑问，请在 GitHub 或 Discord 上与我们联系。

常见问题解答#