Backbone

骨干网络是深度学习架构中基础的特征提取组件，作为核心引擎将原始数据转化为有意义的表示形式。在计算机视觉领域，骨干网络通常由神经网络中的多层结构组成，通过处理输入图像识别分层模式——这些模式涵盖从边缘、纹理等简单低级特征到形状、物体等复杂高级概念。 骨干网络的输出（通常称为特征图）将作为下游组件的输入，这些组件执行分类或检测等特定任务。

脊柱的作用

骨干网络的主要功能是在做出任何具体决策之前，"观察"并理解图像的视觉内容。它如同通用翻译器，将像素值转化为浓缩且信息丰富的格式。大多数现代骨干网络依赖卷积神经网络（CNN）或视觉变换器（ViT），并常在海量数据集（如ImageNet）上进行预训练。 ImageNet。这种预训练过程作为迁移学习的核心环节，使模型能够复用先前习得的视觉特征，大幅减少特定应用场景下训练新模型所需的数据量与时间成本。

例如，Ultralytics ，其架构包含一个高度优化的骨干网络，能够高效提取多尺度特征。这使得网络后续部分能够完全专注于目标定位和类别概率分配，而无需从头开始重新学习如何识别基本视觉结构。

脊柱 vs. 颈部 vs. 头部

要全面理解目标检测模型的架构，必须区分骨干网络与另外两个主要组件：颈部和头部。

• 主干网络：即"特征提取器"，它从输入图像中提取关键视觉信息。常见的例子包括Microsoft 开发的残差网络（ResNet），以及为计算效率优化的CSPNet。
• 颈部：作为"特征聚合器"，位于主干与头部之间，负责提炼并融合不同尺度特征。此处常用的结构是特征金字塔网络（FPN），它能增强模型对不同detect 能力。
• 预测头： 检测头处理来自检测模型的聚合特征， 生成最终输出结果，例如 边界框和类别标签。

实际应用

骨干网络是众多工业与科学人工智能应用背后默默无闻的功臣。其对视觉数据的泛化能力使其能够适应不同领域的需求。

1. 医学诊断：在医疗领域，深度神经网络通过分析X光、CT扫描和MRI等复杂医学影像，能够提取出暗示疾病的细微异常。例如，专业模型利用强大的神经网络实现肿瘤检测，识别肉眼可能遗漏的癌症早期征兆。北美放射学会等机构正积极倡导运用这些深度学习工具，以革新患者诊疗模式。
2. 自主系统：在汽车和机器人行业，骨干网络处理来自车载摄像头的视频流以解读环境。汽车领域的人工智能依赖这些强大的特征提取器来实时detect 、识别交通标志及发现行人。可靠的骨干网络确保系统能够区分静态障碍物与移动车辆，这是Waymo等公司开发的自动驾驶技术必须满足的关键安全要求。

利用Ultralytics实施

尖端架构如 YOLO11 和前沿的 YOLO26等先进架构默认集成了强大的骨干网络。这些组件经过精心设计，可在各类硬件平台上实现最优推理延迟，涵盖从边缘设备到高性能GPU的广泛场景。

以下Python 演示了如何使用 ultralytics 该设置在推理过程中自动利用主干网络进行特征提取。

from ultralytics import YOLO

# Load a YOLO26 model, which includes a pre-trained CSP backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The backbone extracts features, which are then used for detection
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting detection
results[0].show()

通过利用预训练的骨干网络，开发者可Ultralytics 对其自定义数据集进行微调。这种方法能快速开发专用模型——例如物流中的包裹检测模型——而无需投入从零开始训练深度神经网络所需的海量计算资源。