骨干网络组件对比：Residual、CSP、C3、C3k2、ELAN、GELAN 与 RepVGG
[!abstract] 核心问题
Backbone 既要提取足够强的语义，又要控制重复梯度、内存访问和推理延迟。
| 组件 | 核心设计 | 主要收益 | 适用侧重点 |
|---|---|---|---|
| Residual Block | 恒等跳跃连接 | 缓解深层网络梯度退化 | 深网络基础单元 |
| CSP | 特征分流后再融合 | 减少重复计算、改善梯度流 | 高效 Backbone 设计 |
| C3 | CSP + Bottleneck | YOLOv5 中兼顾表达与效率 | 成熟通用方案 |
| C3k2 | 更灵活的 CSP 内部块配置 | 控制计算并增强扩展性 | 新版 YOLO 架构 |
| E-ELAN | 多分支聚合与梯度路径设计 | 在扩展深宽时保持学习能力 | YOLOv7 风格网络 |
| GELAN | 通用层聚合架构 | 兼顾可扩展性与参数利用 | YOLOv9 风格网络 |
| RepVGG | 训练多分支、推理重参数化 | 推理阶段为单分支卷积 | 部署优先场景 |
关系与选型
- Residual解决“网络能否训练得更深”的问题；CSP解决“更深时如何避免重复计算”的问题。
- C3/C3k2是 CSP 思想在 YOLO 中的具体模块化实现，通常优先在同一版本的官方结构内使用。
- E-ELAN/GELAN更强调层聚合与梯度路径，适用于整体 Backbone 架构设计，而非随意插入单层。
- RepVGG的优势出现在部署阶段；训练后必须完成重参数化转换，才能得到简洁的推理图。
[!warning] 对比原则
不宜只比较参数量。Backbone 选择还应记录吞吐、显存、特征图尺寸以及目标设备上的真实延迟。
总结
深层训练稳定性 → Residual YOLO 通用高效特征提取 → CSP / C3 / C3k2 大规模聚合架构设计 → E-ELAN / GELAN 部署端单分支推理 → RepVGG