YOLO骨干网络改进- 第13篇：ResNeXt分组卷积提升特征表达
一、引言
在深度卷积神经网络的发展历程中，ResNet（残差网络）无疑是一个里程碑式的工作。它通过引入残差连接，成功解决了深层网络中的梯度消失问题，使得网络可以训练到数百甚至上千层。然而，随着网络深度的增加，模型的计算量和参数量也急剧增长，如何在有限的计算资源下进一步提升网络的特征表达能力，成为了研究者们关注的焦点。
ResNeXt（ResNet + Next）由Facebook AI Research于2017年提出，是ResNet的改进版本。其核心思想是引入"分组卷积"（Grouped Convolution）和"基数"（Cardinality）的概念，在增加网络宽度的同时，通过分组控制计算量的增长。实验表明，在相同的计算复杂度下，ResNeXt的性能显著优于ResNet，证明了分组卷积可以有效提升网络的特征表达能力。
将ResNeXt应用于YOLOv8的骨干网络，可以在计算量增加不多的情况下，显著提升模型的检测精度。分组卷积的设计使得网络可以学习到更多样化的特征表示，增强对不同模式的识别能力。本文将深入剖析ResNeXt的核心原理，详细介绍分组卷积的实现方式，并基于Ultralytics YOLOv8框架构建ResNeXt骨干网络，通过实验验证其性能提升。
二、ResNeXt原理详解
2.1 从ResNet到ResNeXt
ResNet通过堆叠残差块（Residual Block）来构建深层网络。残差块有两种主要形式：
- BasicBlock：两个3×3卷积