Architektúra neurónovej siete

YOLO backbone

Príznaková chrbtica modelu YOLO

YOLO backbone je časť detekčnej siete, ktorá premieňa vstupný obraz na hierarchiu príznakových máp. Skoršie vrstvy zachytávajú lokálne hrany a textúry, hlbšie vrstvy agregujú väčší kontext a sémantické vzory. Backbone odovzdáva reprezentácie necku alebo priamo detekčnej hlave, často na viacerých priestorových mierkach. Jeho návrh ovplyvňuje presnosť, výpočtovú náročnosť, pamäť, receptive field aj vhodnosť pre edge zariadenia. Názvy blokov a spojení sa medzi generáciami YOLO výrazne líšia.

Posledná odborná revízia
1. augusta 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-Y-16

Odborná definícia

Odborná definícia

YOLO backbone je časť detekčnej siete, ktorá premieňa vstupný obraz na hierarchiu príznakových máp. Skoršie vrstvy zachytávajú lokálne hrany a textúry, hlbšie vrstvy agregujú väčší kontext a sémantické vzory. Backbone odovzdáva reprezentácie necku alebo priamo detekčnej hlave, často na viacerých priestorových mierkach. Jeho návrh ovplyvňuje presnosť, výpočtovú náročnosť, pamäť, receptive field aj vhodnosť pre edge zariadenia. Názvy blokov a spojení sa medzi generáciami YOLO výrazne líšia.

Zrozumiteľné vysvetlenie

Zrozumiteľné vysvetlenie

Backbone je vizuálny motor, ktorý z pixelov vyrába použiteľné mapy vlastností. Na jednej úrovni môže rozpoznať ostré prechody, na ďalšej časti tvarov a neskôr celé vzory typické pre objekt. Detekčná hlava potom z týchto máp určuje rámce a triedy. Väčší backbone nie je automaticky lepší, pretože kamera na výrobnej linke môže potrebovať nízku latenciu a malé objekty zas vysoké rozlíšenie príznakov. Pri výmene backbone sa musia premerať aj pamäťové prenosy a rýchlosť na cieľovom hardvéri.

Časté otázky

Časté otázky

Je backbone totožný s celým YOLO modelom?

Nie. Je iba extraktorom príznakov. Celý model zahŕňa aj spojovacie vrstvy, detekčnú hlavu, tréningové ciele a postprocessing.

Môže sa použiť predtrénovaný backbone?

Áno, transfer learning môže urýchliť konvergenciu. Užitočnosť závisí od podobnosti zdrojovej a cieľovej vizuálnej domény.

Prečo sa používajú viaceré mierky príznakov?

Malé objekty potrebujú jemnejšie mapy, veľké objekty väčší kontext. Viac mierok umožňuje detekčnej hlave pracovať s oboma typmi.

Ako sa hodnotí efektívnosť backbone?

Okrem počtu parametrov sa merajú FLOPs, aktivácie, pamäť, latencia, priepustnosť a presnosť na konkrétnom zariadení.

Čo spôsobí príliš agresívne zmenšenie obrazu?

Jemné detaily a malé objekty môžu zaniknúť ešte pred hlbokými vrstvami. Neskoršia hlava informáciu, ktorá sa stratila, nedokáže obnoviť.

Súvisiace pojmy

Súvisiace pojmy

Zdroje a redakčná stopa

Zdroje a redakčná stopa

  • Ultralytics YOLO Models YOLOv4 paper

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.