YOLO 架构详解：从 YOLOv3 到 YOLO26#

每个 Ultralytics YOLO 模型都由三个阶段构成：提取特征的 主干网络、跨尺度融合特征的 颈部网络，以及预测边界框和类别的 检测头。本指南介绍各阶段所包含的模块，以及这些模块从 YOLOv3 到 YOLO26 的变化，并追溯每个组件在 ultralytics/cfg/models/ 下配置文件中的定义，以及 ultralytics/nn/modules/ 中的模块类。

每个模型都以声明式方式定义在 YAML 文件中，文件由按顺序排列的层组成；每层都遵循 [from, repeats, module, args] 格式：输入来自哪些层、模块重复多少次、层类（Conv、C3k2、SPPF、Detect，……），以及构造函数参数。模型 YAML 配置指南详细介绍了这种格式，包括 repeats 和 args 如何随变体的深度和宽度倍数缩放，以及完整的模块解析系统。本指南聚焦于模块本身，以及它们在不同版本间的变化。

三个阶段#

每个 Ultralytics YOLO 模型都会依次将图像送入三个阶段，每个阶段各司其职：

基本单元是 Conv 块（定义于 conv.py：由 2D 卷积、批归一化和 SiLU 激活依次组成。下文中的每个更大型模块都由多个 Conv 块组合而成。

架构图#

每个版本都保留相同的 backbone → neck → head 骨架，只调整特定阶段。下方的选项卡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 则以原始的基于锚框形式绘制，而非其软件包配置实际采用的无锚框 u 变体 head。逐个查看选项卡，可以了解每一代新增的内容。简而言之，演进过程如下：YOLOv3 是仅使用 FPN、基于锚框的检测器；YOLOv5 增加了自底向上的 PAN 路径和 SPPF；YOLOv8 切换到 C2f 模块，并采用无锚框的 DFL head；YOLO11 加入了 C2PSA 注意力机制和 C3k2 模块；YOLO26 则增加了 SPPF 残差结构、移除 DFL，并加入可选的无 NMS head。

YOLOv3 和 YOLOv5 的图示展示了原始的基于锚框检测头。ultralytics 软件包提供无锚框的 YOLOv3u 和 YOLOv5u 配置：它们采用相同的 Darknet-53 和 C3 主干网络，并使用 YOLOv8 的 Detect 检测头，详见检测头一节。

主干网络模块：Bottleneck → C3 → C2f → C3k2#

主干网络在步长为 2 的 Conv 下采样层之间堆叠重复的 CSP（跨阶段局部连接）模块。这个重复模块是各版本间变化最大的部分。下面所有模块都位于 block.py 中；c1/c2 分别表示输入/输出通道，c = 0.5 * c2 表示隐藏层宽度。

Bottleneck（YOLOv3）#

基本单元是 Bottleneck：包含两个 Conv 层（默认卷积核为 (3, 3)），并在 shortcut=True 和 c1 == c2 时可选地执行残差相加。YOLOv3 的 Darknet-53 主干网络直接堆叠这些单元，不进行 CSP 分支，并在三个尺度（步长为 8、16、32）上进行检测。

C3（YOLOv5）#

YOLOv5 的 C3 将输入拆分后分别送入两个 1x1 卷积：cv1 依次经过 n 个 Bottleneck 模块（卷积核依次为 (1, 1) 和 (3, 3)），cv2 则绕过这些模块。两条路径拼接后，由第三个 1x1 Conv 卷积进行融合：

def forward(self, x):
    # C3：瓶颈路径 m(cv1(x)) 与旁路 cv2(x) 拼接，然后由 cv3 融合
    return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

只有最后一个瓶颈输出会到达融合卷积，因此 cv3 会接收 2 个特征图。

C2f（YOLOv8）#

YOLOv8 的 C2f（“带两个卷积的 CSP Bottleneck，更快”）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 个 Bottleneck(c, c) 模块（卷积核为 (3, 3)、(3, 3)）依次运行，每个模块都接收前一个模块的输出。
3. 所有 n + 2 个中间张量都会拼接，并由 cv2 = Conv((2 + n) * c, c2, 1) 融合。

C3 将 2 个特征图传入融合卷积，而 C2f 会传入 n + 2 个特征图，也就是重复利用每个中间瓶颈输出。

C3k2（YOLO11 和 YOLO26）#

YOLO11 和 YOLO26 使用 C3k2，这是 C2f 的子类，会替换重复单元。根据构造函数标志，每个 n 模块会变成以下其中一种：

• 普通的 Bottleneck（默认，c3k=False），
• 一个 C3k 模块（c3k=True）——一种可配置卷积核大小的 C3 变体，或
• 一组 Bottleneck + PSABlock 模块（attn=True）。

第二个 YAML 参数会设置 c3k，但当缩放级别为 m、l 或 x 时，会强制设为 True——这就是一个 yolo11.yaml 如何适配所有五种变体的方式。因此，[-1, 2, C3k2, [512, False]] 在 n 和 s 处构建 Bottleneck 内部模块，而在 m、l 和 x 处构建 C3k 内部模块；512 是缩放前的通道数，经过变体的宽度倍数缩放后，在 n 处变为 128，在 x 处变为 768。对于 CSP 模块，repeats 字段（此处为 2，之后还会按变体的深度倍数缩放）会成为模块内部的重复次数，而不是用于堆叠独立模块。

空间池化：SPP → SPPF#

在主干网络末端，空间金字塔池化模块会扩大感受野。YOLOv5 将原来的多卷积核 SPP 替换为 SPPF（快速空间金字塔池化）：对 MaxPool2d(kernel_size=5, stride=1, padding=2) 连续应用 n = 3 次，将输入和三个池化输出拼接，再由 1x1 Conv 卷积进行融合。从数学上看，这与 SPP(k=(5, 9, 13)) 等价，但计算成本更低，因为串联的 5x5 池化覆盖了较大卷积核的感受野。

YOLO26 会传入 shortcut 标志（SPPF, [1024, 5, 3, True]）；由于 c1 == c2 == 1024 位于最深层，SPPF 会添加残差连接（return y + x）。

空间注意力：C2PSA（YOLO11 及后续版本）#

YOLO11 在 SPPF 之后加入了 C2PSA。这是一个 CSP 模块，其活动分支由一组 n 个 PSABlock（位置敏感注意力）模块构成：cv1 = Conv(c1, 2 * c, 1) 将特征拆分，一半经过 PSABlock 模块堆栈，cv2 = Conv(2 * c, c1, 1) 再融合拼接结果。每个 PSABlock 都会应用多头注意力，然后接一个两层前馈网络（Conv(c, 2 * c, 1) → Conv(2 * c, c, 1)），两者各自都带有残差连接。YOLO26 保留了相同的 C3k2 + C2PSA 主干网络。

颈部网络：FPN + PAN#

颈部网络先通过自顶向下的特征金字塔网络（FPN）融合主干网络的 P3/P4/P5 特征图，再通过自底向上的路径聚合网络（PAN）进行融合。在 YAML 的 head 部分，FPN 对应 nn.Upsample + Concat（将语义信息传递到更高分辨率），PAN 对应步长为 2 的 Conv + Concat（将定位信息向上传递）：

# 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

颈部网络会复用对应版本的主干网络模块——YOLOv5 使用 C3，YOLOv8 使用 C2f，YOLO11 和 YOLO26 使用 C3k2——因此每个合并点都会运行与主干网络相同的模块。三个融合后的输出会送入检测头。YOLOv3 是个例外：它的颈部网络只有自顶向下的 FPN（其 YAML head 没有步长为 2 的下采样），不包含 YOLOv5 引入的自底向上 PAN 路径。

检测头：基于锚框 → 无锚框 → 无 NMS#

检测头将三个融合后的特征图转换为目标检测任务的预测结果。它的设计历经多个版本，从基于锚框到无锚框，再到无需 NMS。

无锚框、解耦的 Detect#

原始的 YOLOv3 和 YOLOv5 使用基于锚框的耦合检测头：使用预定义锚框，并通过共享分支预测边界框和类别。独立的 ultralytics/yolov3 和 ultralytics/yolov5 仓库保留了这种基于锚框的设计。主 ultralytics 软件包则提供无锚框的 YOLOv3u 和 YOLOv5u 变体：它们采用相同的 Darknet-53 和 C3 主干网络，并搭配 YOLOv8 的无锚框 Detect 检测头；此处介绍的 yolov3.yaml 和 yolov5.yaml 配置指的是这些 u 变体，而非历史设计。

Detect 检测头（head.py）采用无锚框、解耦设计：每个金字塔层级运行两个并行分支，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，两个深度可分离模块（DWConv + 1x1 Conv）→ Conv2d(c3, nc, 1)；YOLOv8 使用旧版变体，即两个 3x3 Conv 层 → Conv2d(c3, nc, 1)。

因此，每个锚点会输出 no = nc + 4 * reg_max 个值。移除预定义锚框后，超参数中就不再需要调整锚框尺寸和长宽比。

分布焦点损失（DFL）#

YOLOv8 和 YOLO11 将 4 个边界框坐标分别表示为在 reg_max = 16 个区间上的概率分布，而非单个标量（采用广义焦点损失的积分形式）。DFL 模块将 4 * reg_max 个边界框通道重塑为 (4, reg_max)，在 reg_max 个区间上应用 softmax，并取期望区间索引作为预测坐标——即用每个区间索引乘以其 softmax 概率，再求和。该操作通过固定的 1x1 卷积实现，其权重为区间索引 arange(reg_max)，因此加权求和只需一次点积。

YOLO26：无需 NMS、无需 DFL#

YOLO26 设置了两个由检测头直接读取的 YAML 参数：

• end2end: True — Detect 会将分支深度复制到一对一检测头（one2one_cv2/one2one_cv3），使其学会为每个目标生成单个预测。此 YAML 设置会创建两个训练检测头；运行时，nms=False 会选择一对一检测头，并移除非极大值抑制（NMS）后处理步骤。推理和导出详情请参阅端到端检测指南。
• reg_max: 1 — 当区间数为 1 时，self.dfl 会变为 nn.Identity() 和 no = nc + 4；检测头直接回归坐标，导出的 ONNX 图中不会出现 DFL 操作。

在五种模型尺寸（n/s/m/l/x）下，根据 YOLO26 论文报告，YOLO26 在 COCO 上的 mAP 为 40.9-57.5，T4 上 TensorRT 延迟为 1.7-11.8 ms。

各版本摘要#

各模型的详细信息、性能表格和使用示例，请参阅 YOLOv3、YOLOv5、YOLOv8、YOLO11 和 YOLO26 的独立页面。

亲自检查架构#

model.info() 方法会打印层、参数和 FLOPs 摘要，解析后的模块列表可通过 model.model.model 查看。

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolo11n.pt")

# 融合 Conv + BatchNorm 层，使计数与已发布的规格一致
model.fuse()

# 打印摘要：层、参数、梯度、GFLOPs
model.info()

# 检查检测头（网络中的最后一个模块）
head = model.model.model[-1]
print(type(head).__name__, "| reg_max:", head.reg_max, "| DFL layer:", type(head.dfl).__name__)

在三个不同代际的模型上运行这段代码，可以从数值上看出变化。这些是 ultralytics 软件包生成的真实融合模型输出，与各模型页面公布的参数量和 FLOPs 数量一致：

YOLO26n 报告的 reg_max=1，以及一个 Identity DFL 层。默认情况下，预测和验证使用带 NMS 的一对多模式；设置 nms=False 可进行无 NMS 推理。两个检测头都会参与训练。

结论#

在不同版本中，YOLO 架构逐步调整各个阶段：backbone 从 Darknet-53 演进为基于 CSP 的 C3、C2f 和 C3k2 模块，并加入 C2PSA 注意力机制；neck 保留了 FPN + PAN 结构，同时 SPP 演进为 SPPF；head 则从基于锚框转为无锚框，最终演进为 YOLO26 不使用 DFL 的设计，并配备可选的无 NMS 端到端 head。

要定义自定义架构，请参阅模型 YAML 配置指南，或在模型页面上比较模型。如有疑问，请通过 GitHub 或 Discord 联系我们。

常见问题#