BaseLine与BackBone

一、BaseLine的含义

BaseLine是能完成某项任务的基本方法，Baseline 追求 “简单、能跑通、性能可衡量”，不需要复杂结构，核心是给后续优化提供 “参考基准”。 比如我们设计一个极简的卷积网络作为 Baseline:

import torch
import torch.nn as nn# Baseline 网络（完整的分类模型，包含特征提取+任务输出）
class MNIST_Baseline(nn.Module):def __init__(self, num_classes=10):super().__init__()# ① 特征提取部分（这部分其实就是这个 Baseline 里的“简易 Backbone”）self.feature_extractor = nn.Sequential(nn.Conv2d(1, 16, kernel_size=3, padding=1),  # 1通道（灰度图）→16通道nn.ReLU(),nn.MaxPool2d(2, 2),  # 尺寸 28×28→14×14nn.Conv2d(16, 32, kernel_size=3, padding=1),  # 16→32通道nn.ReLU(),nn.MaxPool2d(2, 2)   # 尺寸 14×14→7×7)# ② 任务输出部分（Head）self.classifier = nn.Sequential(nn.Flatten(),  # 7×7×32 → 1568维向量nn.Linear(1568, 128),nn.ReLU(),nn.Linear(128, num_classes)  # 128→10类（0-9）)def forward(self, x):x = self.feature_extractor(x)  # Backbone 提特征x = self.classifier(x)         # Head 出结果return x

BaseLine的特点：
（1) 完整的 “任务解决方案”（能独立完成任务）,比如这个MNIST_Baseline可以给定输入，得到一个10分类输出。

（2）通常包含 “简易 Backbone + Head”，是端到端模型。

（3）提供 “基准性能”，用于对比优化效果。

（4）简单、易实现、性能稳定（不求最优）

二、BackBone的含义

负责从原始数据（如图像）中提取基础、通用的特征，是模型的 “特征提取器”，比如 ResNet、EfficientNet。广泛应用于各种深度学习任务中，如图像分类、目标检测、语义分割等。不同的任务可以根据需求选择合适的 backbone，如 ResNet、VGG 等。

在目标检测和目标分割任务中，网络结构通常包含BackBone、Neck、Head。

比如可以使用ResNet作为目标检测任务的BackBone网络，负责提取输入数据的复杂特征，然后在此基础上设计或缝合一个对不同特征进行融合的网络——即Neck， 最后由Head负责形成最终需要结果特征。

下面将Resnet作为10分类任务的BackBone

import torch
from torchvision import models  # 导入官方预训练模型库# 1. 加载预训练模型（含权重），并冻结部分Backbone权重（可选，减少训练量）
backbone = models.resnet50(pretrained=True)  # 加载官方预训练ResNet50，含ImageNet权重
# 将0~-10的参数进行冻结，不再更新，根据数据量灵活调整
for param in list(backbone.parameters())[:-10]:param.requires_grad = False# 2. 替换Head层，适配自定义10分类任务（ResNet原Head是1000类全连接）
in_features = backbone.fc.in_features  # 获取Backbone输出特征维度（2048）
backbone.fc = torch.nn.Linear(in_features, 10)  # 新Head：2048维→10维（对应10类）# 3. 后续即可正常训练（此处省略数据加载、优化器定义等）
# 例如：将图像输入Backbone，得到10类概率
input_image = torch.randn(1, 3, 224, 224)  # 模拟1张224×224的3通道图像
output = backbone(input_image)  # 输出形状：(1, 10)，即1个样本的10类概率