PVTv2（Pyramid Vision Transformer v2）是计算机视觉领域最受欢迎的轻量级视觉骨干网络（backbone）之一。本文以开源模型库OpenGVLab/pvt_v2_b4为实例，带你 5 分钟横向对比 b0 ~ b4 共 5 个尺寸，帮你在手机部署、云端推理、科研基线等不同场景下快速选对模型。

PVTv2 到底是什么？

PVTv2 属于「层级式（金字塔）Transformer」，核心设计有三点：

• 卷积 + 自注意力混合：在每个 Transformer 层中注入卷积操作，保留 CNN 对局部特征的归纳偏置，学习图像更高效
• 无需位置编码：混合式设计使其不需要额外的 positional embedding
• 4 阶段金字塔结构：输出多尺度特征图，天生适合分割、检测等稠密任务

用它做骨干的知名下游模型：

更详细的模型说明可查阅 README.md。

一张表看懂 PVTv2 的金字塔结构

PVTv2 家族提供b0、b1、b2、b3、b4五个尺寸，b0 最轻、b4 最大。它们共享同一套 4 阶段金字塔结构，差别主要在「层数」和「通道数」。

以本仓库的 b4 为例，打开 config.json 就能直接读出核心结构参数：

对应位置：depths、hidden_sizes、linear_attention。

b0 到 b4 全尺寸对比：横评核心

以下是 PVTv2 官方各尺寸在 ImageNet-1K 上的公开数据（224×224 输入）：

从表中能读出 3 个关键结论：

1. b0 → b2 是精度「甜蜜区」：模型增大、精度快速提升，性价比最高；
2. b3 是最佳平衡点：层数与 b4 相同，但凭借线性注意力把 FLOPs 压到 5.2G，却几乎拿到 b4 的精度；
3. b4 属于「基线型」：层数与 b3 完全一致，只是把线性注意力换成标准注意力，FLOPs 飙到 19.8G，精度却只比 b3 高 0.1%——它更适合科研基线与精度上限测试，而非生产首选。

如果拿来做分割骨干（Segformer 在 ADE20K 数据集的 mIoU），趋势完全一致：b0 43.0 → b1 48.5 → b2 49.8 → b3 51.0 → b4 51.6。

🎯 5 分钟速选指南

一句话总结：80% 的生产场景用 b2 或 b3 就够了；移动端选 b0 / b1；b4 留给科研。

如何上手这个 pvt_v2_b4 模型

本仓库就是 PVTv2 家族最大的b4 预训练模型（ImageNet-1K 分类，共 1000 类），目录极简，只有 4 个文件、分工明确：

• model.safetensors —— 模型权重，约 250MB（float32）
• config.json —— 结构配置，含 1000 个类别的id2label映射与 4 阶段out_features
• preprocessor_config.json —— 预处理配置：224×224 输入，ImageNet 标准归一化（mean [0.485, 0.456, 0.406]、std [0.229, 0.224, 0.225]）
• README.md —— 模型说明

使用 Hugging Facetransformers加载只需几行：

from transformers import AutoImageProcessor, AutoModel processor = AutoImageProcessor.from_pretrained("OpenGVLab/pvt_v2_b4") model = AutoModel.from_pretrained("OpenGVLab/pvt_v2_b4")

作为骨干网络时，还可以从stage1 ~ stage4四个阶段提取多尺度特征图（见 config.json 的 out_features），直接接上分割或检测头。

💡 常见问题

Q：b4 的层数和 b3 一样，为什么重这么多？A：b4 关闭了线性注意力（linear_attention: false），改用标准自注意力。注意力计算量随序列长度平方增长，FLOPs 因此从 5.2G 跳到 19.8G，换来的是更强的特征表征。

Q：小模型能直接替代 b4 吗？A：不能简单替代。b0 的 FLOPs 只有 b4 的约 1/14，但精度低 8 个点。对延迟敏感的场景建议从 b1 / b2 起步，或考虑用大模型做知识蒸馏。

Q：可以改输入分辨率吗？A：可以。PVTv2 的层级结构对多尺度输入天然友好，但本仓库默认预处理是 224×224（见 preprocessor_config.json），高分辨率任务时记得同步调整预处理参数。

总结

• 追求轻快→ 选b0 / b1
• 追求均衡→ 选b2 / b3（最推荐）
• 追求科研精度→ 选b4（即本仓库）

PVTv2 用「卷积 + Transformer 混合 + 金字塔多尺度输出」的设计，让轻量骨干在稠密任务上也有出色的发挥空间。下次做 CV 项目时，不妨从这张横评表出发，5 分钟定下你的 backbone。