yolov3源码结构

darknet. py

def get_test_input()   #对测试图片进行预处理（图片的大小，GBR通道改成RGB通道）
def parse_cfg(cfgfile)  #对cfg配置文件进行处理-->输入yolov3.cfg配置文件，返回列表对象,其中每一个元素为一个字典类型对应于一个要建立的神经网络模块（层）
class EmptyLayer(nn.Module):
class DetectionLayer(nn.Module):  #yolo 检测层的具体实现（重点）, 在特征图上使用锚点预测目标区域和类别, 功能函数在predict_transform中，采用迁移学习训练自己的网络时需要更改这个函数

def create_modules(blocks):  #利用parse_cfg(cfgfile)返回的字典内容，创建网络层级

#CNN
class Darknet(nn.Module):
     def __init__(self, cfgfile):
    	   super(Darknet, self).__init__()
           self.blocks = parse_cfg(cfgfile) #调用parse_cfg函数
           self.net_info, self.module_list = create_modules(self.blocks)  #调用create_modules函数

     def forward(self, x, CUDA)  #前向传播
     def load_weights(self, weightfile):  #导入预训练的网络权重参数yolov3-spp.weights

util. py

def bbox_iou(box1, box2)  #返回预测框与真实框的IoU  value=