基于深度学习的现在目标检测算法中有三个组件：Backbone、Neck和Head，乍一看很让人不理解：
- Backbone, 译作骨干网络，主要指用于特征提取的，已在大型数据集(例如ImageNet|COCO等)上完成预训练，拥有预训练参数的卷积神经网络，例如：ResNet-50、Darknet53等
- Head，译作检测头，主要用于预测目标的种类和位置(bounding boxes)
- 在Backone和Head之间，会添加一些用于收集不同阶段中特征图的网络层，通常称为Neck。
简而言之，基于深度学习的目标检测模型的结构是这样的：输入->主干->脖子->头->输出。主干网络提取特征，脖子提取一些更复杂的特征，然后头部计算预测输出
参考文献:《YOLOv4: Optimal Speed and Accuracy of Object Detection》
