图像分类 / 21

ResNet

残差卷积分类网络系列

ResNet通过残差捷径让深层网络学习增量映射，缓解梯度退化问题，模型行为稳定且被广泛用作分类器以及检测、分割任务的骨干网络。代表性参数规模为约 11.7M/25.6M/44.5M（18/50/101），性能定位是精度稳定、生态成熟，是可靠的迁移学习基线。

PARAMETERS

参考参数与输入输出

代表性参数量约 11.7M/25.6M/44.5M（18/50/101）

输入RGB 图像；分类常用 224×224

输出类别概率或多尺度视觉特征

算力与部署CPU 或 GPU；深层版本更适合服务器训练

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

精度稳定、生态成熟，是可靠的迁移学习基线。比 VGG 参数更少且更易训练，但同等资源下可能不及 ConvNeXt 的现代训练表现。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
MobileNet	约 2.5M–6.9M（V1/V2/V3 常见配置）	很高	中	成熟	低功耗视觉终端
ResNet当前	约 11.7M/25.6M/44.5M（18/50/101）	高	高	成熟	工业图像分类
VGG	约 138M/144M（VGG16/VGG19）	中低	中	成熟	教学与算法对照
ConvNeXt	约 28.6M–197.8M（Tiny 至 Large）	中	很高	较成熟	高精度产品分类
YOLO Classify	约 2.7M–57M（随版本和尺度变化）	很高	高	成熟	整图缺陷判级

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

ResNet适合优先考虑工业图像分类、小样本迁移学习、检测与分割骨干的项目。它的主要价值是残差连接支持稳定训练深层网络；需要重点评估经典卷积设计的参数效率低于部分新架构、高分辨率输入会显著增加特征图计算。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。