【YOLO改进】换遍MMDET主干网络之ResNet50（基于MMYOLO）

ResNet50

ResNet50是ResNet（残差网络）系列中的一个重要成员，由微软研究院的Kaiming He等人在2015年提出。该模型的主要特点在于引入了“残差学习”的概念，从而有效地解决了深度神经网络中的梯度消失和网络退化问题。

具体来说，ResNet50的网络结构深度达到50层，其设计思路是在网络中引入残差连接（residual connection），允许信息在网络层之间直接跳跃传递。这种设计使得在增加网络深度的同时，不会出现梯度消失的问题，进而提升了模型的性能。

ResNet50模型由多个残差块组成，每个残差块包含三个卷积层，分别是1x1、3x3和1x1的卷积，用于降维、处理特征、升维。这种设计使得模型在保持相同复杂性的情况下，能够有更深的网络结构。

ResNet50作为YOLO主干网络的可行性分析

YOLO（You Only Look Once）是一种实时目标检测算法，其特点在于将目标检测任务视为一个回归问题，通过单次前向传播即可预测多个目标的位置和类别。在YOLO的算法框架中，主干网络负责提取图像中的特征信息，对于模型的性能至关重要。

将ResNet50作为YOLO的主干网络具有以下可行性：

1. 深度优势：ResNet50具有较深的网络结构，能够提取到更加丰富的图像特征信息。这对于目标检测任务来说至关重要，因为丰富的特征信息有助于提高目标定位的精度和分类的准确性。
2. 残差连接：ResNet50中的残差连接可以有效地解决深度神经网络中的梯度消失问题，使得网络在深度增加时仍能保持稳定的性能。这对于YOLO这种需要处理大量数据和复杂场景的任务来说非常重要。
3. 兼容性：ResNet50作为一种经典的深度神经网络