Feature Pyramid Network (FPN)
探索特征金字塔网络（FPN）如何增强多尺度目标检测。了解 Ultralytics YOLO26 如何使用先进的 FPN 检测小型和大型目标。
特征金字塔网络 (FPN) 是现代**计算机视觉 (CV)系统中用于提升不同尺度目标检测效果的一种专用架构组件。它有效解决了图像分析中的一个长期难题：在同一张图像中同时识别大型、显著的结构以及微小、遥远的细节。通过生成输入的多尺度表示（概念上类似于金字塔），FPN 能让神经网络在每个分辨率层级提取丰富的语义信息。该架构通常位于提取原始特征的主干网络与预测目标类别和边界框的检测头**之间。
特征金字塔网络的工作原理#
FPN 的核心创新在于其信息处理方式。传统的**卷积神经网络 (CNN)**会自然地创建特征层级，其中输入图像会逐步下采样。虽然这能加深语义理解（了解图像中是什么），但通常会降低空间分辨率（准确了解它在哪里），导致小目标消失。
FPN 通过以下三个步骤解决这一问题：
-
自底向上路径：这是网络的标准前馈过程，例如**残差网络 (ResNet)。随着网络处理图像，它会生成尺寸逐渐减小但语义价值不断提升的特征图**。
-
自顶向下路径：网络通过对深层的丰富语义特征进行上采样，构建更高分辨率的金字塔。此步骤会将强大的上下文信息“补回”到更大的空间特征图中。
-
横向连接：为了恢复下采样过程中丢失的清晰细节，FPN 会通过横向连接，将上采样后的特征与自底向上路径中的原始高分辨率特征图进行融合。
这种组合形成了一个金字塔，使每个层级都具备强大的语义信息和良好的定位能力，从而显著提升各种目标尺寸下的**精确率和召回率**。
在目标检测架构中的重要性#
FPN 是现代**目标检测架构的基石。在它出现之前，模型必须在速度（仅使用最终层）和精度（处理图像金字塔，但速度非常慢）之间做出选择。FPN 提供了兼顾两者的解决方案，使模型能够进行实时推理**，同时不会牺牲小目标检测能力。
对于**YOLO26等先进模型而言，这种效率至关重要。YOLO26 使用受 FPN 原理启发的复杂聚合网络（例如 PANet）来实现业界领先的性能。无论通过Ultralytics Platform**将架构部署在边缘设备还是高性能服务器上，该架构都能确保模型在多样化数据集上保持高精度。
实际应用#
FPN 的多尺度能力使其在安全性和精确性至关重要的行业中不可或缺。
- 汽车领域的 AI：自动驾驶车辆必须同时跟踪附近的大型卡车，以及远处的小型交通信号灯或行人。FPN 让感知系统能够在单次处理中处理这些不同的尺度，确保及时做出决策。**nuScenes**等数据集常用于评估这些能力。
- 医学图像分析：在诊断成像中，检测病变需要识别尺寸差异极大的异常。配备 FPN 的模型能够在**MRI 扫描**中同时识别大型器官结构和微小的早期肿瘤，帮助放射科医生做出准确诊断。
- 农业领域的 AI：精准农业依赖于从无人机图像中检测作物和害虫。由于无人机的飞行高度可能变化，图像中的植物尺寸也会随之改变。无论相机高度如何，FPN 都能帮助模型实现良好的泛化能力，准确执行**目标计数**。
FPN 与其他特征聚合器的比较#
了解标准 FPN 与新型架构中的演化变体之间的区别很有帮助。
- FPN 与 PANet 的比较：FPN 添加自顶向下路径来丰富特征，而**路径聚合网络 (PANet)**则在 FPN 的基础上增加了额外的自底向上路径。这缩短了低层特征的信息传递路径，进一步改善了定位效果，这项技术经常应用于 YOLO 模型。
- FPN 与 BiFPN 的比较：用于 EfficientDet 的**双向特征金字塔网络 (BiFPN)**会为不同特征引入可学习权重，并移除只有一个输入的节点，从而优化网络效率。
实际示例#
ultralytics 等高级库会在内部处理 FPN 构建的复杂性。当你加载 YOLO26 等模型时，架构会自动包含这些特征聚合层，以最大限度地提升性能。
from ultralytics import YOLO
# Load the YOLO26 model, which uses advanced feature pyramid principles internally
# The 'n' suffix indicates the nano version, optimized for speed
model = YOLO("yolo26n.pt")
# Perform inference on an image containing objects of various sizes
# The model's neck (FPN-based) aggregates features to detect small and large items
results = model("https://ultralytics.com/images/bus.jpg")
# Display results to see bounding boxes around buses (large) and people (small)
results[0].show()
