(一）YOLO目标识别模型 ——Darknet53网络结构

（一）YOLO目标识别模型
——Darknet53网络结构

参考

本文链接： https://blog.csdn.net/leiduifan6944/article/details/104857968

---

---

前言

YOLO算法的出现，将回归思想引入目标识别处理过程，最终直接输出物体的位置、置信度和类别信息。YOLOv3在结构中模块与模块的衔接采用张量拼接，不同于残差层的add操作。

YOLO的主要骨架采用53个卷积层的Darknet53网络结构。

使用残差（Residual）神经网络的必要性：网络越深，梯度消失的现象就越来越明显，网络的训练效果也不会很好。残差神经网络就是为了在加深网络的情况下又解决梯度消失的问题。残差结构可以不通过卷积，直接从前面一个特征层映射到后面的特征层（跳跃连接），有助于训练，也有助于特征的提取，容易优化。
原文链接：https://blog.csdn.net/weixin_39615182/article/details/109752498

---

一、YOLO的主要骨架

如图所示为YOLO的主要骨架，即Darknet53网络结构

二、介绍

1.创建卷积块

创建卷积类，一次性完成卷积+归一化+激活。

class Conv(nn.Module):
	def __init__(self, c_in, c_out, k, s, p, bias=True):
		"""
		自定义一个卷积块，一次性完成卷积+归一化+激活，这在类似于像DarkNet53这样的深层网络编码上可以节省很多代码
		:param c_in: in_channels
		:param c_out: out_channels
		:param k: kernel_size
		:param s:  stride
		:param p: padding
		:param bias: …
		"""
		super(Conv, self).__init__()
		self.conv = nn.Sequential(
			nn.Conv2d(c_in, c_out, k, s, p),
			nn.BatchNorm2d(c_out),
			nn.LeakyReLU(0.1),
		)

	def forward(self, entry):
		return self.conv(entry