darknet和yolov3的网络结构初步解释

最新推荐文章于 2023-02-01 14:47:36 发布
最新推荐文章于 2023-02-01 14:47:36 发布
阅读量3k 收藏 5
点赞数 1
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/phthon1997/article/details/84112244
版权

有关yolov3和darknet的下载，网上有很多，建议在官网上下载，为开源的。
在linux命令行输入下列命令：

 ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

以下为一张图像识别的网络过程
layer filters size input output
0 conv 32 3 x 3 / 1 608 x 608 x 3 -> 608 x 608 x 32 0.639 BFLOPs
1 conv 64 3 x 3 / 2 608 x 608 x 32 -> 304 x 304 x 64 3.407 BFLOPs
2 conv 32 1 x 1 / 1 304 x 304 x 64 -> 304 x 304 x 32 0.379 BFLOPs
3 conv 64 3 x 3 / 1 304 x 304 x 32 -> 304 x 304 x 64 3.407 BFLOPs
4 res 1 304 x 304 x 64 -> 304 x 304 x 64
5 conv 128 3 x 3 / 2 304 x 304 x 64 -> 152 x 152 x 128 3.407 BFLOPs
6 conv 64 1 x 1 / 1 152 x 152 x 128 -> 152 x 152 x 64 0.379 BFLOPs
7 conv 128 3 x 3 / 1 152 x 152 x 64 -> 152 x 152 x 128 3.407 BFLOPs
8 res 5 152 x 152 x 128 -> 152 x 152 x 128
9 conv 64 1 x 1 / 1 152 x 152 x 128 -> 152 x 152 x 64 0.379 BFLOPs
10 conv 128 3 x 3 / 1 152 x 152 x 64 -> 152 x 152 x 128 3.407 BFLOPs
11 res 8 152 x 152 x 128 -> 152 x 152 x 128
12 conv 256 3 x 3 / 2 152 x 152 x 128 -> 76 x 76 x 256 3.407 BFLOPs
13 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
14 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
15 res 12 76 x 76 x 256 -> 76 x 76 x 256
16 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
17 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
18 res 15 76 x 76 x 256 -> 76 x 76 x 256
19 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
20 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
21 res 18 76 x 76 x 256 -> 76 x 76 x 256
22 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
23 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
24 res 21 76 x 76 x 256 -> 76 x 76 x 256
25 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
26 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
27 res 24 76 x 76 x 256 -> 76 x 76 x 256
28 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
29 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
30 res 27 76 x 76 x 256 -> 76 x 76 x 256
31 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
32 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
33 res 30 76 x 76 x 256 -> 76 x 76 x 256
34 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
35 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
36 res 33 76 x 76 x 256 -> 76 x 76 x 256
37 conv 512 3 x 3 / 2 76 x 76 x 256 -> 38 x 38 x 512 3.407 BFLOPs
38 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
39 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
40 res 37 38 x 38 x 512 -> 38 x 38 x 512
41 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
42 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
43 res 40 38 x 38 x 512 -> 38 x 38 x 512
44 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
45 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
46 res 43 38 x 38 x 512 -> 38 x 38 x 512
47 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
48 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
49 res 46 38 x 38 x 512 -> 38 x 38 x 512
50 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
51 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
52 res 49 38 x 38 x 512 -> 38 x 38 x 512
53 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
54 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
55 res 52 38 x 38 x 512 -> 38 x 38 x 512
56 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
57 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
58 res 55 38 x 38 x 512 -> 38 x 38 x 512
59 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
60 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
61 res 58 38 x 38 x 512 -> 38 x 38 x 512
62 conv 1024 3 x 3 / 2 38 x 38 x 512 -> 19 x 19 x1024 3.407 BFLOPs
63 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
64 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
65 res 62 19 x 19 x1024 -> 19 x 19 x1024
66 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
67 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
68 res 65 19 x 19 x1024 -> 19 x 19 x1024
69 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
70 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
71 res 68 19 x 19 x1024 -> 19 x 19 x1024
72 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
73 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
74 res 71 19 x 19 x1024 -> 19 x 19 x1024
75 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
76 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
77 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
78 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
79 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
80 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
81 conv 255 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 255 0.189 BFLOPs
82 yolo
83 route 79
84 conv 256 1 x 1 / 1 19 x 19 x 512 -> 19 x 19 x 256 0.095 BFLOPs
85 upsample 2x 19 x 19 x 256 -> 38 x 38 x 256
86 route 85 61
87 conv 256 1 x 1 / 1 38 x 38 x 768 -> 38 x 38 x 256 0.568 BFLOPs
88 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
89 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
90 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
91 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
92 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
93 conv 255 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 255 0.377 BFLOPs
94 yolo
95 route 91
96 conv 128 1 x 1 / 1 38 x 38 x 256 -> 38 x 38 x 128 0.095 BFLOPs
97 upsample 2x 38 x 38 x 128 -> 76 x 76 x 128
98 route 97 36
99 conv 128 1 x 1 / 1 76 x 76 x 384 -> 76 x 76 x 128 0.568 BFLOPs
100 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
101 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
102 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
103 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
104 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
105 conv 255 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 255 0.754 BFLOPs
106 yolo

看起来很复杂吧？
真的很复杂。。。
卷积层：
layer filters size input output
0 conv 32 3 x 3 / 1 608 x 608 x 3 -> 608 x 608 x 32 0.639 BFLOPs
输入：像素为608608，通道数为3的的图片
卷积操作：32层卷积核（filters），每个卷积核大小为33，步伐为1（每个卷积窗口逐步进行卷积）。
输出：32个通道的608*608的map
res层
4 res 1 304 x 304 x 64 -> 304 x 304 x 64
输入与输出：输入与输出一般保持一致，并且不进行其他操作，只是求差。
处理操作：res层来源于resnet，为了解决网络的梯度弥散或者梯度爆炸的现象，提出将深层神经网络的逐层训练改为逐阶段训练，将深层神经网络分为若干个子段，每个小段包含比较浅的网络层数，然后用shortcut的连接方式使得每个小段对于残差进行训练，每一个小段学习总差的一部分，最终达到总体较小的loss，同时，很好的控制梯度的传播，避免出现梯度消失或者爆炸等不利于训练的情形。
darknet层
正在努力学习
yolov3层
正在努力学习。。。
在这里插入图片描述

在这里插入图片描述

小鱼编程
关注
yolov4(darknet官方)用于检测垃圾和分类
qq_33287871的博客
07-15 5328
前段时间做了华为云的垃圾检测分类比赛(垃圾分类检测)，当时的方案是SSD+efficientdet+CiouLoss，很遗憾最终未能进入复赛(如果大家感兴趣，也可以去比赛官方页面下载来玩一玩)。这几天闲来无事玩了下darknet官方版的yolov4和ultralytics的yolov5。嗯，初步测试yolov4-tiny确实很不错，而且速度是真的快。本篇文章主要记录如何正确食用yolov4，下一次记录下yolov5的使用。主要分为darknet编译，数据准备，训练，验证…。其实官方文档写的是真的详细，这里.
【darknet源码】：网络核心结构体
yuanCruise
08-03 3950
darknet中网络结构体：network src/network.h typedef struct network{ int n; // 网络总层数（make_network()时赋值） int batch; // parse_net_options()中赋值：一个batch含有的图片张数，下面还有个subdivisions参数...
Darknet和yolo是什么关系？ - 知乎
studyvcmfc的专栏
02-26 1509
Darknet和yolo是什么关系？ - 知乎
Darknet和YOLO的区别和关系
qq_24889005的博客
08-07 7375
Darknet是个轻量级深度学习训练框架，用c和cuda编写，支持GPU加速。可以把它理解为Tensorflow，pytorch，caffe，mxnet等框架类似，都是用于跑模型的底层框架。 YOLO系列是目标检测领域比较优秀的网络模型，和SSD，R-CNN，Faster R-CNN等模型一样。 作者：Joseph Chet Redmon开发了一个深度学习框架——Darkent,并且设计了多种yolo系列模型，这些模型顺理成章地用他自己开发的darknet框架来训练～而且，你还可以在darknet训练各种其
darknet、pytorch、torch、keras与yolo的关系
qq_44886213的博客
12-30 2738
这是在知乎看到的一个醍醐灌顶的回答，记录下来
yolov3网络架构以及代码解析二
qq_36411093的博客
03-14 971
#! /usr/bin/env python3 # coding=utf-8 #================================================================ # Copyright (C) 2018 * Ltd. All rights reserved. # # Editor : VIM # File name : yo...
YOLOV3--从0搭建YOLOV3主干DarkNet 53
weixin_42262706的博客
10-20 521
通过分析YOLOv3的主干网络DarkNet53结构特征，抽丝剥茧，庖丁解牛，有粗到细，用python自行搭建主干网络DarkNet53
神经网络—yolov3的cfg和权重文件
10-04
**神经网络—YOLOv3的Cfg和Weights文件详解** YOLO（You Only Look Once）是一种实时目标检测系统，以其高效和精确性在计算机视觉领域广泛应用。YOLOv3是YOLO系列的第三个版本，由Joseph Redmon、Ali Farhadi等人在...
matlab实现YOLOV3车辆识别目标识别
08-06
首先，YOLOV3的核心在于其网络结构，它采用了DarkNet-53作为基础网络，这是一种深度残差网络（ResNet）的变体，能够有效地解决深度神经网络训练过程中的梯度消失问题。DarkNet-53的每个阶段都包含多个卷积层，通过...
yolov3模型训练-车牌识别数据集
10-10
2. 模型配置：根据车牌识别的需求，调整YOLOv3的配置文件，如网络结构、学习率、批大小、训练迭代次数等。 3. 初始化模型：可以使用预训练的YOLOv3权重进行迁移学习，这将加快收敛速度并提高最终性能。 4. 训练...
yolov3-darknet详细代码注释-绝对良心
05-28
详细的yolov3-darknet代码解析。
手撕yolo3系列——详解主干网络darknet53代码（详细注释）-附件资源
03-05
手撕yolo3系列——详解主干网络darknet53代码（详细注释）-附件资源
Darknet与YOLO生死恋
XYKenny的博客
05-15 3217
利用深度学习来识别图像的步骤 1、采集图像：利用爬虫，下载公开数据集，人工采集； 2、图像标注：比如标注出图像中有几个对象，位置在哪里； 3、训练模型：选择一个模型，利用框架进行微调训练或者从头训练； 4、模型推理：将模型发布成服务之类，在实际中使用。 Darknet是用C和CUDA编写的开源神经网络框架，安装速度快，易于安装，并支持CPU和GPU计算。有一个配套的模型YOLO。 如果把Darkn...
【目标检测】1.YOLOv4、Darknet概述
糊涂懿的博客
11-27 294
YOLOv4：2020.4.23 YOLOv4: Optimal Speed and Accuracy of Object Detection Darknet 是一个轻型的开源深度学习框架，它的功能为CNN底层实现和YOLO目标检测。 特点： 由C语言实现 没有依赖项（摄像头和视频处理需要OpenCV） 容易安装 移植性好 支持CPU和GPU（CUDA）两种计算方法 开发者： 美国华盛顿大学Joseph Redmon Darknet官网： https://pjreddie.com/darknet/
分享大佬们写的darknet和yolo的学习
phthon1997的博客
11-15 1849
我正在看【进击的YOLOv3，目标检测网络的巅峰之作 | 内附实景大片@慕课网 原创_慕课网_手记】，分享给你，一起看吧！ https://m.imooc.com/mip/article/29342 一、学习YOLOv3 YOLOv3论文 YOLOv3：An Incremental Improvement全文翻译 【目标检测简史】进击的YOLOv3，目标检测网络的巅峰之作 语言生动易懂，适合新手学...
YOLO v1v2v3v4 目标检测以及Darknet学习资源总结
PianGe_zyl的博客
08-24 1716
学习YOLO的过程中看到的写的比较好的文章，总结一下 ???? YOLO的论文全部可以在arxiv下载的到，下载速度太慢的朋友可以试试arxiv的国内镜像： http://cn.arxiv.org/ 下载的时候只需要把网址的前缀改成这个，就能快速下载了 关于Darknet Darknet是YOLO原作者开发的一个比较小众的框架，由C和C++编写而成，也支持Python库的调用，优点是操作简便（至少在成功安装之后非常简便），新手使用cmd可以一键训练和一键测试。 关于下载Darknet： https://gi
YOLO中的darknet到底指的是什么？
最新发布
weixin_35757191的博客
02-01 311
Darknet是YOLO (You Only Look Once) 中的一个深度学习框架。它是一种用于物体检测的神经网络架构，可以在实时视频流或图像上快速检测物体。
使用Darknet网络框架
Page_PQ的博客
07-03 4154
【训练分类weight文件】 》命令： ./darknet classifier train cfg/mydata.data cfg/mydata.cfg 》若中途终端，基于已有的训练模型接着训练执行如下命令： ./darknet classifier train cfg/mydata.data cfg/mydata.cfg /home/page/Pictures/ImageSet/bac...
darknet详解（yolo图像检测）
热门推荐
m0_52571715的博客
11-16 1万+
darknet详解（yolo图像检测） 个人记录整理，如有转载请注明来源 https://blog.csdn.net/weixin_37731771/article/details/103666068， 本文中包含的一张图片来源于网络，如有不妥请与我联系。 文章目录darknet详解（yolo图像检测）简介安装使用使用预先训练模型测试训练自己的模型在Python中整合详解yolov3.cfg 参数详解issues 参考文档 darknet官方文档 Darknet概述 Yolo darknet训练自己
使用darknet-yolov3训练自定义数据集的完整指南
2. 使用`darknet detector train`命令启动训练，提供数据集配置文件（如coco.data）、网络配置文件（修改过的yolov3.cfg）以及预训练权重文件（yolov3.weights）作为参数。 3. 训练过程中，模型的权重会定期保存，...
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