YOLOv8主干网络升级——融合ResNet18/34/50/101的高效特征提取架构设计

本文旨在系统性地讲解如何将RT-DETR官方版本中的ResNet18、ResNet34、ResNet50和ResNet101主干网络移植到Ultralytics YOLOv8框架中。相较于传统的ResNet架构，RT-DETR实验中的ResNet在结构设计和代码实现上进行了多项优化，这些改进显著提升了模型的性能和特征提取能力。本文将从ResNet的框架原理出发，逐步解析其核心代码，并手把手指导如何在YOLOv8中添加和修改相关代码。
深度残差网络(ResNet)，更深层的神经网络难以训练，因此提出了一种残差学习框架，以简化对极深网络的训练。通过将层重构为相对于层输入的残差函数学习，而非学习无参考的函数，这种网络更易于优化，并能通过显著增加深度来提高准确性。在lmageNet 数据集上，评估了深度高达 152层的残差网络,它们的深度是 VGG 网络的8倍,但复杂度更低。这些网络在 ImageNet 测试集上取得了3.57%的错误率,并在 ISVRC2015 分类任务中获得第一名。论文还分析了在 CIFAR-10 上具有100层和 1000 层的表现。这些深度残差网络是参加 ILSVRC& COCO 2015 竞赛的基础，其中在 lmageNet 检测、定位，COCO 检测和分割任务中均获得第一名。

1. ResNet框架

论文地址：