Architektura neuronové sítě

Příznaková páteř modelu YOLO

YOLO backbone je část detekčnej sítě, která mění vstupní obraz na hierarchiu príznakových máp. Skoršie vrstvy zachycují lokálně hrany a textúry, hlbšie vrstvy agregují větší kontext a sémantické vzory. Backbone odovzdáva reprezentace necku nebo přímo detekčnej hlave, často na více priestorových mierkach. Jeho návrh ovlivňuje přesnost, výpočtovou náročnost, paměť, receptive field i vhodnost pro edge zařízení. Názvy bloků a spojení se mezi generacemi YOLO výrazně liší.

Poslední odborná revize
7. srpna 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-Y-16

Odborná definice

Odborná definice

YOLO backbone je část detekčnej sítě, která mění vstupní obraz na hierarchiu príznakových máp. Skoršie vrstvy zachycují lokálně hrany a textúry, hlbšie vrstvy agregují větší kontext a sémantické vzory. Backbone odovzdáva reprezentace necku nebo přímo detekčnej hlave, často na více priestorových mierkach. Jeho návrh ovlivňuje přesnost, výpočtovou náročnost, paměť, receptive field i vhodnost pro edge zařízení. Názvy bloků a spojení se mezi generacemi YOLO výrazně liší.

Srozumitelné vysvětlení

Srozumitelné vysvětlení

Backbone je vizuální motor, který z pixelů vyrába použitelné mapy vlastností. Na jedné úrovni může rozpoznat ostré prechody, na další části tvarů a později celé vzory typické pro objekt. Detekční hlava potom z těchto máp určuje rámce a třídy. Větší backbone není automaticky lepší, protože kamera na výrobní linke může potrebovat nízkou latenci a malé objekty zas vysoké rozlišení příznaků. Při výmene backbone se musí premerat i pameťové prenosy a rychlost na cílovém hardwaru.

Časté otázky

Časté otázky

Je backbone totožný s celým YOLO modelem?

Ne. Je pouze extraktorom příznaků. Celý model zahrnuje i spojovace vrstvy, detekčnou hlavu, tréninková cíle a postprocessing.

Může se použít předtrénovaný backbone?

Ano, transfer learning může urýchlit konvergenci. Užitečnost závisí na podobnosti zdrojové a cílové vizuálnej domény.

Proč se používají více měřítka příznaků?

Malé objekty potřebují jemnější mapy, velké objekty větší kontext. Více mierok umožňuje detekčnej hlave pracovat s oboma typmi.

Jak se hodnotí efektívnost backbone?

Kromě počtu parametrů se merají Flops, aktivace, paměť, latence, propustnost a přesnost na konkrétním zařízení.

Co spůsobí příliš agresívne zmenšení obrazu?

Jemné detaily a malé objekty mohou zaniknúť ještě před hlbokými vrstvami. Neskoršia hlava informaci, která se stratila, nedokáže obnovit.

Související pojmy

Související pojmy

Zdroje a redakční stopa

Zdroje a redakční 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.