CV 经典主干网络 (Backbone) 系列: Darknet-53

最新推荐文章于 2023-07-14 15:40:00 发布
最新推荐文章于 2023-07-14 15:40:00 发布
阅读量1.4w 收藏 35
点赞数 8
分类专栏： Backbone 文章标签： darknet53 网络 结构 解析 总结
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kuweicai/article/details/115028173
版权
本文详细介绍了Darknet-53，YOLOv3的backbone，其借鉴ResNet设计，包含53个卷积层。尽管网络结构中展示了52层，但最后的"Connected"层也是一个1x1卷积层。Darknet-53以256x256作为输入，经过5次下采样，输出特征图大小为8x8，步长为32，且不使用pooling层。相比于ResNet-152，Darknet-53在保持相近性能的同时，提供了更高的运行速度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

CV 经典主干网络 (Backbone) 系列: Darknet-53

作者：Joseph Redmon

发表时间：2018

Paper 原文： YOLOv3: An Incremental Improvement

该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。

1. 网络结构

Darknet-53 是 YOLOv3 的 backbone。具体结构参考下面的图片。左侧是 Darknet-53 的完整结构图，右侧是对左侧中的 “Convolutional” 层 和 “Residual” 层的细节展示。显然 Darknet-53 借鉴了 Resnet 的设计思想，引入了 shotcut 的概念。

在这里插入图片描述

Darknet-53 顾名思意，总共有 53 个卷积层，但是上面的结构中只看到 52 个卷积层，其实 最后的 “Connected” 层也是卷积层（1x1 的卷积实现的类似 fc 的效果，所以也有资料把它称做 fc 层），“Connected” 层的具体参数如下。

[convolutional]
filters=1000
size=1
stride=1
pad=1
activat
最低0.47元/天 解锁文章
CV 经典主干网络 (Backbone) 系列: Darknet-19
走在深度学习前沿的小宋
04-05 1382
在目标检测领域的YOLO系列算法中，作者为了达到更好的分类效果，自己设置并训练了DarkNet网络作为骨干网络。作者在ImageNet数据集上进行实验，发现相较于ResNet网络，DarkNet在分类精度差不多的前提下，计算速度取得了领先。
CV 经典主干网络 (Backbone) 系列: CSP-Darknet53
走在深度学习前沿的小宋
04-27 7584
CSP-Darknet53无论是其作为CV Backbone，还是说它在别的数据集上取得极好的效果。与此同时，它与别的网络的适配能力极强。
Darknet53(YOLO V3骨干网络)
热门推荐
我是天才很好
06-13 2万+
YOLO V3算法使用的骨干网络是Darknet53。Darknet53网络的具体结构如图所示，在ImageNet图像分类任务上取得了很好的成绩。在检测任务中，将图中C0后面的平均池化、全连接层和Softmax去掉，保留从输入到C0部分的网络结构，作为检测模型的基础网络结构，也称为骨干网络。YOLO V3模型会在骨干网络的基础上，再添加检测相关的网络模块。 图：Darknet53网络结构 下面的程序是Darknet53骨干网络的实现代码，这里将上图中C0、C1、C2所表示的输出数据取出，并查看它们的形状
Darknet53网络结构及代码实现
Tc、zyh的博客
10-10 1万+
文章目录一、Darknet二、代码实现 一、Darknet Darknet是最经典的一个深层网络，结合Resnet的特点在保证对特征进行超强表达的同时又避免了网络过深带来的梯度问题，主要有Darknet19和Darknet53，当然，如果你觉得这还不够深，在你条件允许的情况下你也可以延伸到99,199,999… Darknet53的网络结构如图1所示，其中蓝色方块×1，x2，x8分别表示该模块重复1次、2次和8次，黄色方块是该模块的名字，Conv Block表示该模块是一个普通的卷积模块，Residual
darknet53.cfg
04-29
YOLOv3的主干网络前面部分使用了darknet53结构，对于学习目标检测，学习YOLOv3,darknet53结构是一定会去学习的。该配置文件说明了不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。
【Darknet-53】YOLOv3 backbone Darknet-53 详解
计算机视觉方面的点点滴滴，欢迎一起讨论
04-10 4999
文章目录1 模型计算量与参数量2 Darknet-53网络3 感谢链接 1 模型计算量与参数量 模型计算量与参数量的计算方式主要有两种，一种是使用thop库，一种是使用torchsummaryX。 使用pip install thop安装thop库 使用pip install torchsummaryX安装torchsummaryX库 2 Darknet-53网络 可直接运行下方代码，结合注释和结果理解 本例中darknet53主要用于yolov3中的主干网络 import math from col
DarkNet53
qq_35912099的博客
05-14 5127
Darknet53网络结构及代码实现_Tc.小浩的博客-CSDN博客_darknet53 讲的不错
Darknet53-pytorch
09-09
与https://github.com/jasonlovescoding/YOLOv3-pytorch 配套使用
darknet-53
weixin_38241876的博客
06-23 4810
Darknet( (module_list): ModuleList( (0): Sequential( (conv_0): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) (batch_norm_0): BatchNorm2d(32, eps=1e-05,...
CV 经典主干网络 (Backbone) 系列: CSPNet
生命在于折腾！
11-13 7998
CV 经典主干网络 (Backbone) 系列: CSPNet 作者：Chien-Yao Wang 等 发表时间：2019 Paper 原文： CSPNet: A New Backbone that can Enhance Learning Capability of CNN 开源代码：Cross Stage Partial Networks 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 作者认为目前的网络结构虽然效果好，但是都是建立在较大的计算量上的，这阻碍了算法应用 ，特别是
darknet53.conv.74
03-24
直接下载一直失败，折腾好久才下载好，上传上来希望能对需要的人有所帮助
darknet53_conv74.zip
07-05
1、pre-trained weights for the convolutional layers 2、link https://pjreddie.com/media/files/darknet53.conv.74
darknet53.conv.rar
11-15
darknet53.conv.74用于训练
经典主干DarkNet53&网络搭建
qq_41861216的博客
04-26 1440
YOLOv3中的backbone，DarkNet53。不同于YOLOv2中的DarkNet19，它由大量的残差组成，DarkNet53在ImageNet上面的表现也证明了该网络的有效行。DarkNet53的网络结构如下。YOLO版本的如下：Darknet-53中总共有6个单独的卷积层和23个Residual，每个Residual包含2个卷积层（一个1×1，一个3×3），所以Darknet-53中共有52层卷积，可为什么叫做Darknet-53呢？
CSP Darknet53
kui9702的博客
04-19 1万+
CSP Darknet53 代码复现:这里的代码参考CSDN@Bubbliiiing 在之前yolo v3的实战篇中，我们了解到yolo v3 使用的backbone是Darknet53，而今天要展现的是yolo v4的backbone CSP Darknet53。 他们有什么不同呢？ 激活函数的改变，之前Darknet53使用的是LeakyReLU，而CSP Darknet53使用的是Mish。 LeakyReLU的图像 LeakyReLU是分段函数，当x>0时， f(x) = x
YOLOv3-Darknet53
weixin_44378497的博客
06-01 546
# !/usr/bin/python3 # -*- coding:utf-8 --*-- import torch.nn as nn #定义卷积块 class Convolution_block(nn.Module): def __init__(self,in_feature,out_feature,kernel,strike,padding=0): super().__init__() self.conv = nn.Sequential(
(一）YOLO目标识别模型 ——Darknet53网络结构
jieke2020的博客
06-20 3991
（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 文章目录参考前言一、YOLO的主要骨架二、介绍1.创建卷积块2.创建残差单元2.按照上面结构图写出Darknet53网络结构总结 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
Yolov3之Backbone-Darknet53网络复现tensorflow版
YANJINING
05-19 608
Darknet53网络代码实现DarkNet53网络结构图    darknet53主要是用到了残差网络的结构，使用残差块的shortcut能够使网络更深，同时也缓解了梯度消失问题。先使用1个卷积核为3x3，步长为2的卷积，将输入进来的特征层的高和宽进行压缩，得到一个feature map a,之后对此feature map使用一个1x1的卷积和一个3X3的卷积，将得到的新的feature map b和 feature map a 进行相加，此时我们便构成了残差结构。通过上述残差边的叠加，我们就可以大幅度的
今天给大家介绍一下综合性能标胶不错的分类网络—darknet-53
xiehewe的博客
07-14 350
Darknet-53不仅在学术界取得了显著的成就，还在实际应用场景中得到了广泛的应用。例如，在智能监控、人像识别以及工业自动化等领域，Darknet-53作为一个高性能的分类网络，能够准确地识别并分类各种场景中的物体和目标，为实际应用提供强有力的支持。例如，在ImageNet数据集上，Darknet-53的Top-1分类精度超过了80%，证明了其在大规模图像分类任务中的可靠性和有效性。通过采用较少的参数和层级，Darknet-53能够在保持良好分类性能的同时，减少计算资源的消耗，提高模型的推理速度。
yolopose的backbone是什么网络
最新发布
09-04
### 回答1： YOLOv4中的yolopose算法使用的是Darknet网络作为其backbone。Darknet是一个轻量级的神经网络框架，支持多种神经网络模型，包括YOLOv4、YOLOv3、YOLOv2等。在YOLOv4中，yolopose模块利用Darknet网络提取图像特征，并通过自定义的姿势估计模块进行姿势估计。 ### 回答2： Yolopose的backbone是Darknet53网络。 Darknet53是一个卷积神经网络架构，它是Yolopose中用于构建backbone的主要网络。Darknet53是由YOLO作者Joseph Redmon创建的，旨在用于物体检测任务。 Darknet53由53个卷积层组成，其中包括残差块(residual blocks)和上采样层(upsampling layers)。这个网络结构的特点是具有非常深的网络深度，能够提取更加丰富的特征表示。 Darknet53使用了一种基于跳跃连接的残差结构，以解决深度网络的退化问题。这种结构使得网络可以更好地传递梯度，并且有助于减轻梯度消失的问题，从而提高了网络的训练和优化稳定性。 使用Darknet53作为Yolopose的backbone，可以提供较高精度的姿态估计结果。该网络在大规模的人体姿态估计数据集上进行了训练，能够有效地捕捉人体关键点的位置和姿态信息。 总之，Yolopose的backbone网络是Darknet53，它是一个深度的卷积神经网络结构，用于提取丰富的特征表示，并在姿态估计任务中取得了较好的效果。 ### 回答3： Yolopose 是一个用于人体姿势估计的网络模型。它的网络结构使用了Darknet53 这个广泛应用的网络结构作为其主干（backbone）。 Darknet53 是一个基于深度残差网络（ResNet）的卷积神经网络，由于其网络结构比较深且具有较高的计算效率，因此在很多计算机视觉任务中被广泛应用。 Darknet53 使用了一系列卷积层、池化层和跳跃连接（skip connections）来提取输入图像的特征。它通过多个残差块，实现了不同层之间的信息传递和特征的重用。在网络的最后几个残差块中，特征图的分辨率会进行下采样，以便更好地捕捉不同尺度的特征。最终，Darknet53 会将输入图像的特征转换成一个较低维度的特征向量。 Yolopose 在 Darknet53 的基础上，添加了额外的层来进行姿势估计。这些额外的层包括卷积层、全连接层、池化层等等，用于识别和回归关节点的位置。 综上所述，Yolopose 的 backbone 是基于 Darknet53 的网络结构，通过其提取输入图像的特征，并利用其他层进行姿势估计。这种结构使得 Yolopose 在准确性和计算效率上达到了一个平衡。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值