一、解耦头原理
在目标检测中，分类任务和回归任务之间的冲突是一个众所周知的问题。因此，用于分类和定位的解耦头被广泛应用于大多数一级和二级探测器。但是，由于YOLO系列的主干和特征金字塔(如FPN， PAN)不断演化，它们的检测头仍然是耦合的。
从下表可以看出，头耦合时端到端属性降低了4.2% AP，而头解耦时，端到端属性降低了0.8% AP。因此，我们将YOLO检测头替换为简化解耦头。具体来说，它包含一个1 × 1的conv层来降低信道维数，然后是两个平行的分支，分别有两个3 × 3的conv层。我们在表2中报告了V100上批处理=1时的推断时间，简化解耦头带来了额外的1.1 ms (11.6 ms vs . 10.5 ms)。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-d4sJH45h-1720425938808)(https://i-blog.csdnimg.cn/direct/60972f0cdc0c40f8b219ff5781313481.png)]
上图中，YOLOv3头与解耦头之间的区别示意图。对于FPN的每一层特征，我们首先采用1×1的conv层将特征通道减少到256，然后添加两个并行分支，每个分支有2个3 × 3conv层，分别用于分类和回归任务。在回归分支上添加IoU分支。
二、解耦头对收敛速度的影响
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OyXXBH6v-1720425938811)(https://i-blog.csdnimg.cn/direct/4f609b4e2ff649f4b612ff2b3c50849c.png)]
解耦头的收敛速度比YOLOv3头快得多，最终取得了较好的收敛效果。
三、解耦头对精度的影响
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来