pytorch 版yolov3 详解

最近使用YOLOv3进行目标检测，这里总结一下个人对与pytorch版本的YOLOv3的理解，顺便梳理一下思路。

•  网络结构
• 数据预处理方式
•  onnx2caffe

代码：https://github.com/ultralytics/yolov3

1 网络结构

YOLOv3的网络结构主要包括三个部分，骨干网络， 类FPN， yolo层：YOLOv3的骨干网络使用的是Darkent53， 网络中大量使用跳层连接，并且为了降低池化层带来的梯度负面效果，直接已使用卷积层的stride=2来实现降采样.作者在实验中发现， darknet53 相较于resnet-152 和resnet-101 ,在分类精度上相差不大，但网络层数较少，且计算速度很快.在新的yolov4中指出， darknet53 在目标检测中，用作特征提取网络效果要强于resnet系列。

为了增强对小目标的检测，YOLOv3使用了类FPN层，使用上采样和融合的做法，在多个尺度的特征图上做检测。

yolo层是对提取的信息进行解码，从而输出检测到的目标信息，（x, y, w, h, score, classses). YOLOv3在每一个尺度， 使用三个预测框进行检测，输出的信息为 3×（5 + classes）, 当检测目标的种类为80 时， 输出的维度为 3×（5 + 80） = 255.

 

2、数据预处理

目前有很多种数据预处理的方法，在训练神经网络时，为了进