YOLO 架构解析：从 YOLOv3 到 YOLO26#

每个 Ultralytics YOLO 模型都由三个阶段构成：用于提取特征的 主干网络、用于跨尺度融合特征的 颈部网络，以及用于预测框和类别的 检测头。本指南介绍组成各阶段的模块，以及它们从 YOLOv3 到 YOLO26 的变化，并将每个组件追溯到 ultralytics/cfg/models/ 下配置文件中的定义和 ultralytics/nn/modules/ 中的模块类。

每个模型都在 YAML 文件中以有序层列表的形式声明，其中每一层都遵循 [from, repeats, module, args] 格式：由哪些层提供输入、模块重复多少次、层类别（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 如何随模型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，以及它们在不同版本中的变化。

三个阶段#

每个 Ultralytics YOLO 模型都会将图像依次经过三个阶段，每个阶段承担不同的任务：

基本单元是 Conv 模块（定义于 conv.py）：依次执行二维卷积、批归一化和 SiLU 激活。下面的每个更大模块都通过组合 Conv 模块构建。

架构图#

每个版本都保留相同的 主干网络 → 颈部网络 → 检测头 骨架，并对特定阶段进行调整。下面的选项卡展示各版本的结构：主干网络和颈部网络阶段遵循 ultralytics/cfg/models/ 中的配置，而 YOLOv3 和 YOLOv5 的检测头则以原始的基于锚框形式绘制，而不是其软件包配置实际提供的无锚框 u-变体检测头。依次查看各选项卡，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 的基于锚框检测器；YOLOv5 增加自底向上的 PAN 路径和 SPPF；YOLOv8 切换到 C2f 模块，并采用带 DFL 检测头的无锚框设计；YOLO11 加入 C2PSA 注意力机制和 C3k2 模块；YOLO26 增加 SPPF 残差，并使检测头无需 NMS 且无需 DFL。节点颜色遵循文档图示约定：绿色表示输入，蓝色表示主干网络，石板色表示空间池化和注意力，橙色表示颈部网络，紫色表示检测头和输出。

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——使用相同的 Darknet-53 和 C3 主干网络，但采用 YOLOv8 的 Detect 检测头——详见检测头。

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（跨阶段部分）模块。这个重复模块是各版本变化最大的部分。下面的所有模块都位于 block.py 中；c1/c2 表示输入/输出通道，c = 0.5 * c2 表示隐藏宽度。

Bottleneck（YOLOv3）#

基本单元是 Bottleneck：包含两个 Conv 层（默认内核为 (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，不使用 CSP 分支，并在三个尺度上进行检测（步长为 8、16、32）。

C3（YOLOv5）#

YOLOv5 的 C3 将输入分到两个 1x1 卷积中：cv1 依次经过 n 个 Bottleneck 模块（内核先为 (1, 1)，再为 (3, 3)），而 cv2 绕过这些模块。两条路径进行拼接，并由第三个 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 最后一个 Bottleneck 输出会进入融合卷积，因此 cv3 接收 2 个特征图。

C2f（YOLOv8）#

YOLOv8 的 C2f（“具有 2 个卷积且速度更快的 CSP Bottleneck”）改变了到达融合卷积的特征：

1. cv1 = Conv(c1, 2 * c, 1) 随后由 chunk(2) 将输出拆分为两个 c 通道的张量。
2. n 个 Bottleneck(c, c) 模块（内核为 (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 中间张量都会进行拼接，并由 cv2 = Conv((2 + n) * c, c2, 1) 融合。

C3 将 2 个特征图传入其融合卷积，而 C2f 传入 n + 2 个——每个中间 Bottleneck 输出都会被重新利用。

C3k2（YOLO11 和 YOLO26）#

YOLO11 和 YOLO26 使用 C3k2，它是 C2f 的子类，会替换重复单元。根据构造函数标志，每个 n 模块会变为：

• 普通的 Bottleneck（默认值，c3k=False），
• 一个 C3k 模块（c3k=True）——一种内核大小可配置的 C3 变体，或
• 一个 Bottleneck + PSABlock 对（attn=True）。

第二个 YAML 参数会设置 c3k，除非尺度为 m、l 或 x，这些尺度会强制将其设为 True——这就是一个 yolo11.yaml 如何服务全部五种变体的方式。因此，[-1, 2, C3k2, [512, False]] 会在 n 和 s 构建包含 Bottleneck 内部模块的结构，但在 m、l 和 x 构建包含 C3k 内部模块的结构；512 是缩放前的通道数，变体的宽度倍数会将其转换为 n 中的 128 和 x 中的 768。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）会成为模块内部的重复次数，而不是堆叠独立模块。

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 将原始的多内核 SPP 替换为 SPPF（空间金字塔池化 - 快速）：依次应用 n = 3 次单个 MaxPool2d(kernel_size=5, stride=1, padding=2)，然后将输入和全部三个池化输出拼接，并由 1x1 Conv 进行融合。从数学上看，这等价于 SPP(k=(5, 9, 13))，但计算成本更低，因为链式的 5x5 池化覆盖了更大内核的感受野。

YOLO26 传入一个快捷连接标志（SPPF, [1024, 5, 3, True]）；由于最深层为 c1 == c2 == 1024，SPPF 会添加残差连接（return y + x）。

空间注意力：C2PSA（YOLO11+）#

YOLO11 在 SPPF 之后添加了 C2PSA。这是一个 CSP 模块，其有效分支由一组 n 个 PSABlock（位置敏感注意力）模块组成：cv1 = Conv(c1, 2 * c, 1) 将特征拆分，其中一半经过 PSABlock 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，随后经过两层前馈网络（Conv(c, 2 * c, 1) → Conv(2 * c, c, 1)），二者都带有残差连接。YOLO26 保留相同的 C3k2 + C2PSA 主干网络。

颈部网络：FPN + PAN#

颈部网络使用自顶向下的特征金字塔网络（FPN），再结合自底向上的路径聚合网络（PAN），融合主干网络的 P3/P4/P5 特征图。在 YAML 检测头部分，FPN 是 nn.Upsample + Concat（将语义信息向下传递到更高分辨率），PAN 是步长为 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

颈部网络会复用其所属版本的主干网络模块——YOLOv5 中为 C3，YOLOv8 中为 C2f，YOLO11 和 YOLO26 中为 C3k2——因此每个融合点都运行主干网络所使用的相同模块。三个融合输出会传入检测头。YOLOv3 是例外：其颈部网络仅包含自顶向下的 FPN（其 YAML 检测头没有步长为 2 的下采样），不具备 YOLOv5 引入的自底向上 PAN 路径。

检测头：基于锚框 → 无锚框 → 无 NMS#

检测头将三个融合特征图转换为检测任务的预测结果。其设计经历了从基于锚框到无锚框，再到无需 NMS 的变化。

无锚框、解耦的 Detect#

原始 YOLOv3 和 YOLOv5 使用基于锚框的耦合检测头：预定义锚框，以及用于框和类别预测的共享分支。独立的 ultralytics/yolov3 和 ultralytics/yolov5 代码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——使用相同的 Darknet-53 和 C3 主干网络，以及 YOLOv8 的无锚框 Detect 检测头——本文介绍的 yolov3.yaml 和 yolov5.yaml 配置就是这些 u 变体，而不是历史设计。

Detect 检测头（head.py）采用无锚框、解耦设计：在每个金字塔层运行两个并行分支，并直接在网格点上进行预测，而不是针对锚框进行预测。

• 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，每个锚点都会输出 no = nc + 4 * reg_max 个结果。移除预定义锚框后，就无需再调优超参数中的锚框尺寸和宽高比。

分布焦点损失（DFL）#

YOLOv8 和 YOLO11 将 4 个框坐标中的每一个回归为在 reg_max = 16 个区间上的分布，而不是单个标量（来自广义焦点损失的积分形式）。DFL 模块将 4 * reg_max 个框通道重塑为 (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——即用每个区间的 softmax 概率加权其索引，再求和。该过程通过固定的 1x1 卷积实现，其权重为区间索引 arange(reg_max)，因此加权和就是一次点积。

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 将其分支深复制到一对一检测头（one2one_cv2/one2one_cv3），为每个目标生成一个预测结果，从而移除非极大值抑制（NMS）后处理步骤。有关导出和迁移详情，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）中，YOLO26 在 COCO 上达到 40.9–57.5 mAP，T4 TensorRT 延迟为 1.7–11.8 ms，数据来自 YOLO26 论文。

逐版本总结#

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

自行检查架构#

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)

在三代模型上运行这段代码，可以用数值展示这些变化。这些是来自 ultralytics 软件包的真实融合模型输出，与各个模型页面公布的参数量和 FLOPs 数量一致：

YOLO26n 报告包含 reg_max=1、end2end=True 和一个 Identity DFL 层——这正是其无需 NMS、无需 DFL 检测头的架构特征。

结论#

在不同版本中，YOLO 架构逐个阶段发生变化：主干网络从 Darknet-53 转变为基于 CSP 的 C3、C2f 和 C3k2 模块，并加入 C2PSA 注意力；颈部网络保留 FPN + PAN 结构，同时 SPP 变为 SPPF；检测头则从基于锚框转为无锚框，最终发展为 YOLO26 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，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#