YoloV3 FPN、Head

YoloV3 FPN、Head

• 本文主要是记录在学习YoloV3时遇到的FPN以及Yolo Head
• 文本参考睿智的目标检测26——Pytorch搭建yolo3目标检测平台，这篇博客其实写的非常详细，我在此处就不再展开，仅仅写一下个人学习理解
• 接触算法模型不久，有错误的话还望不吝批评。

先总览一下Yolov3模型结构(主干网络为Darknet53，左侧虚线框内)

FPN、Yolo Head

• FPN特征金字塔进行加强特征提取，主要解决的是物体检测中的多尺度问题。
• Yolo Head本质上是一次3x3卷积加上一次1x1卷积，3x3卷积的作用是特征整合，1x1卷积的作用是调整通道数。
• 下面是对应onnx的网络结构，我选取几个关键的点进行示意，其他两个点也是类似的结构（需要注意的是在下面图片中BN被融合到Conv）：
  
• 对应的代码实现：

#------------------------------------------------------------------------#
#   make_last_layers里面一共有七个卷积，前五个用于提取特征（如上图：F1部分）。
#   后两个用于获得yolo网络的预测结果（如上图YH1部分）
#------------------------------------------------------------------------#
def make_last_layers(filters_list, in_filters, out_filter):
    m = nn.Sequential(
        conv2d(in_filters, filters_list[0], 1),
        conv2d(filters_list[0], filters_list[1], 3),
        conv2d(filters_list[1], filters_list[0], 1),
        conv2d(filters_list[0], filters_list[1], 3),
        conv2d(filters_list[1], filters_list[0], 1),
        conv2d(filters_list[0], filters_list[1], 3),
        nn.Conv2d(filters_list[1], out_filter, kernel_size=1, stride=1, padding=0, bias=True)
    )
    return m