图像分类 / 22

VGG

经典深层卷积分类网络

VGG连续堆叠 3×3 卷积和池化层形成规则深层结构，便于理解和提取中间特征，但大型全连接层使模型参数量与部署体积明显偏大。代表性参数规模为约 138M/144M（VGG16/VGG19），性能定位是结构直观但参数量大，主要用于兼容与对照。

PARAMETERS

参考参数与输入输出

代表性参数量约 138M/144M（VGG16/VGG19）

输入RGB 图像；常用 224×224

输出类别概率或卷积特征图

算力与部署GPU 推荐；全连接层带来较大存储和内存开销

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

结构直观但参数量大，主要用于兼容与对照。结构比 ResNet 简单，但参数量大约高一个数量级且精度效率更低。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	约 11.7M/25.6M/44.5M（18/50/101）	高	高	成熟	工业图像分类
VGG当前	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

VGG适合优先考虑教学与算法对照、既有 VGG 权重维护、特征可视化和感知损失的项目。它的主要价值是网络结构规律，易于分析与复现；需要重点评估参数、内存和计算效率明显落后于现代网络、新建边缘项目通常不建议作为首选。

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。