在YOLO系列的迭代历程中，检测头、损失函数、数据增强的升级往往更受关注，但真正决定模型精度上限与推理速度下限的核心，始终是主干特征提取网络。从初代Darknet的纯卷积堆叠，到CSP架构的跨阶段分流，再到C2f的多梯度流设计，直至最新的C3k2高效模块，每一次主干网络的演进，本质上都是在「精度、速度、部署友好性」三角约束中寻找更优解。理解主干网络的演进逻辑，远比盲目更换模块更有价值：它能帮你根据业务场景选对基础架构，在部署受限时做合理裁剪，在精度触顶时做针对性优化。本文沿着技术迭代时间线，完整拆解四代YOLO主干的核心设计、解决的痛点与工程落地取舍。一、初代奠基：Darknet系列，纯卷积时代的效率探索YOLO的前三个版本完全基于原生Darknet主干，奠定了「小卷积核堆叠+残差连接+多尺度输出」的基础范式，也是后续所有改进的起点。1.1 Darknet-19：YOLOv2的轻量基底Darknet-19诞生于YOLOv2，共19个卷积层+5个最大池化层，核心设计思想借鉴VGG：用连续3×3小卷积核替代大卷积核，在同等感受野下大幅减少参数量。核心结构特点全部采用3×3卷积提取特征，1×1卷积做通道压缩与变换，无全连接层