PaddleSeg 骨干网络 API 详解：ResNet_vd、HRNet、MobileNetV3 与 XceptionDeeplab 的实现与配置实战

• 人工智能
• 计算机视觉
• 预训练

PaddleSeg 通过paddleseg.models.backbones子包为语义分割模型提供特征提取骨干网络（backbone），本文以官方 API 文档docs/apis/backbones/为核心，逐一讲解 ResNet_vd、HRNet、MobileNetV3、XceptionDeeplab 四类骨干的参数含义与源码实现细节，并结合模型注册机制与真实配置文件，帮助你在训练、微调或构建自定义分割模型时正确选用和配置骨干网络。

一、骨干网络包的结构与注册机制

paddleseg.models.backbones子包是语义分割模型的特征提取层集合。从 paddleseg/models/backbones/init.py 可以看到，该包按模块聚合了仓库中全部骨干实现：

from .hrnet import * from .resnet_vd import * from .xception_deeplab import * from .mobilenetv3 import * from .vision_transformer import * from .swin_transformer import * from .mobilenetv2 import * from .mix_transformer import * from .stdcnet import * from .lite_hrnet import * from .shufflenetv2 import * from .ghostnet import * from .cae import * from .top_transformer import * from .uhrnet import * from .efficientformerv2 import * from .hrformer import * from .strideformer import * from .vit_adapter import * from .mscan import * from .seaformer import * from .pidnet import * from .resnet_ms3 import *

即除了本文重点讲解的四个骨干，仓库还内置了 ViT、Swin-Transformer、MobileNetV2、GhostNet、SHUFFLENetV2、Lite-HRNet、UHRNet、SEANet、PIDNet、StrideFormer 等更多实现。官方 API 文档（backbones.md 与中文 backbones_cn.md）重点描述了其中最常用的 ResNet_vd、HRNet、MobileNetV3 和 XceptionDeeplab。

组件注册：为什么配置里可以写type: HRNet_W18

每个骨干的构造函数都通过@manager.BACKBONES.add_component装饰器注册。例如 paddleseg/models/backbones/hrnet.py 中：

@manager.BACKBONES.add_component def HRNet_W18(**kwargs): model = HRNet(stage1_num_modules=1, stage1_num_blocks=[4], stage1_num_channels=[64], stage2_num_modules=1, stage2_num_blocks=[4, 4], stage2_num_channels=[18, 36], stage3_num_modules=4, stage3_num_blocks=[4, 4, 4], stage3_num_channels=[18, 36, 72], stage4_num_modules=3, stage4_num_blocks=[4, 4, 4, 4], stage4_num_channels=[18, 36, 72, 144], **kwargs) return model

BACKBONES是定义在 paddleseg/cvlibs/manager.py 中的ComponentManager("backbones")实例，它维护一个“组件名 → 构造函数”的字典。因此你只需在 YAML 配置里写出注册名，框架即可按名实例化：

# 真实配置示例（OCRNet + HRNet_W18，Cityscapes 1024x512） model: type: OCRNet backbone: type: HRNet_W18 pretrained: https://bj.bcebos.com/paddleseg/dygraph/hrnet_w18_ssld.tar.gz num_classes: 19 backbone_indices: [0]

完整配置可参考 configs/ocrnet/ocrnet_hrnetw18_cityscapes_1024x512_160k.yml。backbone_indices用于选择骨干输出特征列表中参与融合的层级（ResNet 类骨干返回四个阶段的特征列表，HRNet 返回拼接后的单张特征图，故此处取[0]）。

二、ResNet_vd：vd 风格改造的 ResNet

ResNet_vd 骨干源于论文 "Bag of Tricks for Image Classification with Convolutional Neural Networks"，实现位于 paddleseg/models/backbones/resnet_vd.py。API 签名如下：

class paddleseg.models.backbones.Resnet_vd( layers = 50, output_stride = None, multi_grid = (1, 1, 1), lr_mult_list = (0.1, 0.1, 0.2, 0.2), pretrained = None )

参数说明

源码中的断言保证了layers只能取合法值，并据此决定每个阶段的 block 数与通道数：

supported_layers = [18, 34, 50, 101, 152, 200] assert layers in supported_layers, ... if layers == 18: depth = [2, 2, 2, 2] elif layers == 34 or layers == 50: depth = [3, 4, 6, 3] elif layers == 101: depth = [3, 4, 23, 3] elif layers == 152: depth = [3, 8, 36, 3] elif layers == 200: depth = [3, 12, 48, 3]

output_stride 与空洞卷积的关系

output_stride通过dilation_dict控制哪些阶段使用空洞卷积，是分割模型选择骨干时的关键参数：

dilation_dict = None if output_stride == 8: dilation_dict = {2: 2, 3: 4} elif output_stride == 16: dilation_dict = {3: 2}

即output_stride=8时第 3、4 个 stage 分别用 dilation 2 和 4；output_stride=16时仅第 4 个 stage 用 dilation 2。multi_grid会进一步作用于最后一个 stage（block == 3时dilation_rate = dilation_rate * multi_grid[i]），例如multi_grid=(1, 2, 4)是 DeepLabV3 系列常用的设置。

输出特征与 feat_channels

forward返回各 stage 的输出特征列表，供解码器按backbone_indices选取：

feat_list = [] for stage in self.stage_list: for block in stage: y = block(y) feat_list.append(y) return feat_list

通道数由self.feat_channels记录：layers ≥ 50 时为[256, 512, 1024, 2048]，浅层网络为[64, 128, 256, 512]。此外ConvBNLayer中带有is_vd_mode逻辑（空洞卷积前先做AvgPool2D），这正是 "vd"（virtual dense）命名对应的 Bag of Tricks 改造点。

常用变体

paddleseg.models.backbones.ResNet18_vd(**args) # layers=18 paddleseg.models.backbones.ResNet34_vd(**args) # layers=34 paddleseg.models.backbones.ResNet50_vd(**args) # layers=50 paddleseg.models.backbones.ResNet101_vd(**args) # layers=101 paddleseg.models.backbones.ResNet152_vd(**args) # layers=152 paddleseg.models.backbones.ResNet200_vd(**args) # layers=200

其中ResNet18_vd、ResNet50_vd、ResNet101_vd通过装饰器注册进了BACKBONES管理器，可直接用于配置文件的type字段（见 resnet_vd.py）。

三、HRNet：全程高分辨率并行结构

HRNet 源于 "HRNet: Deep High-Resolution Representation Learning for Visual Recognition"，实现位于 paddleseg/models/backbones/hrnet.py。它通过 stage1～stage4 四个阶段、每阶段多分辨率并行分支来保持高分辨率特征：

class paddleseg.models.backbones.HRNet( pretrained = None, stage1_num_modules = 1, stage1_num_blocks = (4,), stage1_num_channels = (64,), stage2_num_modules = 1, stage2_num_blocks = (4, 4), stage2_num_channels = (18, 36), stage3_num_modules = 4, stage3_num_blocks = (4, 4, 4), stage3_num_channels = (18, 36, 72), stage4_num_modules = 3, stage4_num_blocks = (4, 4, 4, 4), stage4_num_channels = (18, 36, 72, 14), has_se = False, align_corners = False )

参数说明

前向结构：Transition + Stage + 分支融合

从源码结构看，HRNet 前向流程为：conv1-1 → conv1-2 → layer1 → tr1 → stage2 → tr2 → stage3 → tr3 → stage4，其中TransitionLayer负责在分支数增加时做 1x1/3x3 卷积过渡，每个Stage内含num_modules个HighResolutionModule（分支卷积 +FuseLayers融合）。输出阶段，stage4 的四路特征中被上采样的三路会与最高分辨率分支在通道维拼接：

size = st4[0].shape[2:] x1 = F.interpolate(st4[1], size, mode='bilinear', align_corners=self.align_corners) x2 = F.interpolate(st4[2], size, mode='bilinear', align_corners=self.align_corners) x3 = F.interpolate(st4[3], size, mode='bilinear', align_corners=self.align_corners) x = paddle.concat([st4[0], x1, x2, x3], axis=1) return [x]

因此feat_channels = [sum(stage4_num_channels)]，例如 HRNet_W18 输出单张 270 通道（18+36+72+144）的特征图，这正是配置中backbone_indices: [0]的由来。align_corners与特征图尺寸奇偶性必须匹配，否则双线性插值会引入系统偏差，这是使用 HRNet 时最易踩的坑。

常用变体与宽度含义

W后的数字即 stage2 第一分支通道数（宽度）：

paddleseg.models.backbones.HRNet_W18_Small_V1(**kwargs) # 轻量版，stage4 仅 1 个模块 paddleseg.models.backbones.HRNet_W18_Small_V2(**kwargs) # 略大于 V1 paddleseg.models.backbones.HRNet_W18(**kwargs) # 标准 W18 paddleseg.models.backbones.HRNet_W30(**kwargs) paddleseg.models.backbones.HRNet_W32(**kwargs) paddleseg.models.backbones.HRNet_W40(**kwargs) paddleseg.models.backbones.HRNet_W44(**kwargs) paddleseg.models.backbones.HRNet_W48(**kwargs) paddleseg.models.backbones.HRNet_W60(**kwargs) paddleseg.models.backbones.HRNet_W64(**kwargs)

以 HRNet_W30 为例，其分支通道为 (30, 60, 120, 240)，其余结构与 W18 一致——即宽度缩放只改变各分支通道数，模块/block 数不变。

四、MobileNetV3：轻量级的深度可分离卷积骨干

MobileNetV3 源于 "Searching for MobileNetV3"，实现位于 paddleseg/models/backbones/mobilenetv3.py。

class paddleseg.models.backbones.MobileNetV3( pretrained = None, scale = 1.0, model_name = "small", output_stride = None )

参数说明

结构配置与 output_stride 实现细节

源码中的NET_CONFIG定义了 large / small 两种深度可分离块序列（每项含 kernel、膨胀通道、输出通道、SE、激活、stride）：

NET_CONFIG = { "large": [ [3, 16, 16, False, "relu", 1], [3, 64, 24, False, "relu", 2], [3, 72, 24, False, "relu", 1], [5, 72, 40, True, "relu", 2], ... [5, 960, 160, True, "hardswish", 1], # x32 ], "small": [ [3, 16, 16, True, "relu", 2], [3, 72, 24, False, "relu", 2], ... [5, 576, 96, True, "hardswish", 1], ] } OUT_INDEX = {"large": [2, 5, 11, 14], "small": [0, 2, 7, 10]}

out_index指定了哪些块之后抽取特征（large 在 x4/x8/x16/x32 处共 4 个层级，small 为 4 个层级），feat_channels随之计算。实现中通过_make_divisible(v, divisor=8)保证通道数按 8 对齐。值得注意的是，仓库额外提供了large_os8/small_os8两套配置：将后段 stride 改为 1 并引入 dilation（如1, 2、1, 4），把输出步长从 32 降到 8，对应MobileNetV3_large_x1_0_os8、MobileNetV3_small_x1_0_os8等注册变体，可直接服务于需要 1/8 分辨率特征的分割任务。

常用变体

命名规则为MobileNetV3_{model_name}_x{scale}：

paddleseg.models.backbones.MobileNetV3_small_x0_35(**args) # scale=0.35, small paddleseg.models.backbones.MobileNetV3_small_x0_5(**args) # scale=0.5, small paddleseg.models.backbones.MobileNetV3_small_x0_75(**args) # scale=0.75, small paddleseg.models.backbones.MobileNetV3_small_x1_0(**args) # scale=1.0, small paddleseg.models.backbones.MobileNetV3_small_x1_25(**args) # scale=1.25, small paddleseg.models.backbones.MobileNetV3_large_x0_35(**args) # scale=0.35, large paddleseg.models.backbones.MobileNetV3_large_x0_5(**args) # scale=0.5, large paddleseg.models.backbones.MobileNetV3_large_x0_75(**args) # scale=0.75, large paddleseg.models.backbones.MobileNetV3_large_x1_0(**args) # scale=1.0, large paddleseg.models.backbones.MobileNetV3_large_x1_25(**args) # scale=1.25, large

在配置文件中可写成：

model: type: PP-LiteSeg backbone: type: MobileNetV3_small_x1_0 pretrained: /path/to/mobilenetv3_small_x1_0.pdparams

（MobileNetV3_small_x1_0同样经过@manager.BACKBONES.add_component注册，可被按名构建。）

五、XceptionDeeplab：DeepLabV3+ 的 Xception 骨干

XceptionDeeplab 是 DeepLabV3+ 使用的 Xception 骨干，源于 "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation"，实现位于 paddleseg/models/backbones/xception_deeplab.py。

class paddleseg.models.backbones.XceptionDeeplab( backbone, pretrained = None, output_stride = 16 )

参数说明

三个变体的差异体现在 entry/middle/exit flow 的瓶颈参数中，源码gen_bottleneck_params给出：

if backbone == 'xception_65': bottleneck_params = { "entry_flow": (3, [2, 2, 2], [128, 256, 728]), "middle_flow": (16, 1, 728), "exit_flow": (2, [2, 1], [[728, 1024, 1024], [1536, 1536, 2048]]) } elif backbone == 'xception_41': # entry_flow 相同，middle_flow 重复 8 次（xception_65 为 16 次） elif backbone == 'xception_71': # entry_flow 更深：(5, [2, 1, 2, 1, 2], [128, 256, 256, 728, 728])

即 41/65/71 分别对应中间 flow 重复 8/16 次、entry flow 3/3/5 个块的网络深度。构建时通过check_stride(s * stride, output_stride)在累计下采样达到output_stride后把后续 stride 强制置 1，从而精确控制输出分辨率；骨干输出feat_channels = [128, 2048]（entry flow 首块与 exit flow 末端特征），分别对应 DeepLabV3+ 编码器低层特征与高层特征输入。

常用变体

paddleseg.models.backbones.Xception41_deeplab(**args) # xception_41 paddleseg.models.backbones.Xception65_deeplab(**args) # xception_65 paddleseg.models.backbones.Xception71_deeplab(**args) # xception_71

六、选型与配置小结

结合上述实现事实，实际项目中可按如下思路选型：

• 精度优先、显存充足：选HRNet_W18/W32/W48（高分辨率四分支特征）或ResNet101_vd + output_stride=8 + multi_grid=(1,2,4)（大感受野），典型配置如 configs/fcn/fcn_hrnetw48_cityscapes_1024x512_80k.yml；
• 轻量/端侧场景：选MobileNetV3_small_x0_75一类小 scale 变体，或 os8 系列换取更高分辨率特征；
• 复现 DeepLabV3+ 原始设定：选Xception65_deeplab，output_stride=8/16按需调整。

通用注意事项：

1. pretrained指向分类预训练权重（.pdparams/.pdmodel路径），构造时由init_weight加载；
2. HRNet 的align_corners必须与输入特征图尺寸奇偶匹配（偶数 1024x512 设 False，奇数 769x769 设 True）；
3. ResNet_vd 的output_stride只支持 8/16，且multi_grid仅作用于最后一个 stage；
4. 配置文件中backbone.type必须使用注册名（如HRNet_W18、ResNet50_vd），backbone_indices需与骨干返回的特征层数匹配（HRNet/XceptionDeeplab 等单/双输出骨干与 ResNet 四阶段骨干不同）。

以上参数与行为均可在对应源码文件中核对：resnet_vd.py、hrnet.py、mobilenetv3.py、xception_deeplab.py，文档原文见 docs/apis/backbones/backbones.md（英文）与 docs/apis/backbones/backbones_cn.md（中文）。

• 人工智能
• 计算机视觉
• 预训练