F60.结合darknet代码理解 bflops

最新推荐文章于 2023-08-20 09:07:37 发布
最新推荐文章于 2023-08-20 09:07:37 发布
阅读量755 收藏 1
点赞数 1
文章标签： 深度学习 BFLOPs
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/qq_41900772/article/details/100660737
版权

结合darknet代码理解 bflops

layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs
    1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64  1.595 BFLOPs
    2 conv     32  1 x 1 / 1   208 x 208 x  64   ->   208 x 208 x  32  0.177 BFLOPs
    3 conv     64  3 x 3 / 1   208 x 208 x  32   ->   208 x 208 x  64  1.595 BFLOPs
    4 res    1                 208 x 208 x  64   ->   208 x 208 x  64
    5 conv    128  3 x 3 / 2   208 x 208 x  64   ->   104 x 104 x 128  1.595 BFLOPs
    6 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64  0.177 BFLOPs
    7 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  1.595 BFLOPs
    8 res    5                 104 x 104 x 128   ->   104 x 104 x 128
    9 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64  0.177 BFLOPs
   10 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  1.595 BFLOPs
   11 res    8                 104 x 104 x 128   ->   104 x 104 x 128
   12 conv    256  3 x 3 / 2   104 x 104 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   13 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   14 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   15 res   12                  52 x  52 x 256   ->    52 x  52 x 256
   16 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   17 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   18 res   15                  52 x  52 x 256   ->    52 x  52 x 256
   19 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   20 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   21 res   18                  52 x  52 x 256   ->    52 x  52 x 256
   22 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   23 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   24 res   21                  52 x  52 x 256   ->    52 x  52 x 256
   25 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   26 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   27 res   24                  52 x  52 x 256   ->    52 x  52 x 256
   28 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   29 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   30 res   27                  52 x  52 x 256   ->    52 x  52 x 256
   31 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   32 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   33 res   30                  52 x  52 x 256   ->    52 x  52 x 256
   34 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
   35 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
   36 res   33                  52 x  52 x 256   ->    52 x  52 x 256
   37 conv    512  3 x 3 / 2    52 x  52 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   38 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   39 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   40 res   37                  26 x  26 x 512   ->    26 x  26 x 512
   41 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   42 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   43 res   40                  26 x  26 x 512   ->    26 x  26 x 512
   44 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   45 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   46 res   43                  26 x  26 x 512   ->    26 x  26 x 512
   47 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   48 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   49 res   46                  26 x  26 x 512   ->    26 x  26 x 512
   50 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   51 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   52 res   49                  26 x  26 x 512   ->    26 x  26 x 512
   53 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   54 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   55 res   52                  26 x  26 x 512   ->    26 x  26 x 512
   56 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   57 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   58 res   55                  26 x  26 x 512   ->    26 x  26 x 512
   59 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   60 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   61 res   58                  26 x  26 x 512   ->    26 x  26 x 512
   62 conv   1024  3 x 3 / 2    26 x  26 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   63 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   64 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   65 res   62                  13 x  13 x1024   ->    13 x  13 x1024
   66 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   67 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   68 res   65                  13 x  13 x1024   ->    13 x  13 x1024
   69 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   70 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   71 res   68                  13 x  13 x1024   ->    13 x  13 x1024
   72 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   73 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   74 res   71                  13 x  13 x1024   ->    13 x  13 x1024
   75 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   76 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   77 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   78 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   79 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs
   80 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   81 conv     24  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x  24  0.008 BFLOPs
   82 yolo
   83 route  79
   84 conv    256  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 256  0.044 BFLOPs
   85 upsample            2x    13 x  13 x 256   ->    26 x  26 x 256
   86 route  85 61
   87 conv    256  1 x 1 / 1    26 x  26 x 768   ->    26 x  26 x 256  0.266 BFLOPs
   88 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   89 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   90 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   91 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs
   92 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs
   93 conv     24  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x  24  0.017 BFLOPs
   94 yolo
   95 route  91
   96 conv    128  1 x 1 / 1    26 x  26 x 256   ->    26 x  26 x 128  0.044 BFLOPs
   97 upsample            2x    26 x  26 x 128   ->    52 x  52 x 128
   98 route  97 36
   99 conv    128  1 x 1 / 1    52 x  52 x 384   ->    52 x  52 x 128  0.266 BFLOPs
  100 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
  101 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
  102 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
  103 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs
  104 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
  105 conv     24  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x  24  0.033 BFLOPs
  106 yolo
BFLOPs：62.462

在用darknet框架进行目标检测时，经常看到BFLOPS的概念，很多人不清楚什么意思，这里结合源代码来具体讲解一下。

BFLOPS 有两个不同场景下的解释。 第一种是描述硬件运算性能的单位，这时其全称是Billion Float Operations Per Second，即每秒能进行多少个十亿次浮点运算； 第二种是描述某次卷积运算需要的多少个十亿次浮点运算，其全称是 billion float operations，将多次卷积等运算所耗费的BLOPS加起来就可以来表示 某个算法模型的复杂度。

显然，darknet中的BFLOPS表示的是第二种含义， 代码中其计算公式为：

l.bflops = (2.0 * l.n * l.sizel.sizel.c * l.out_h*l.out_w) / 1000000000.;

下面从左到右解释每一个常量或变量的含义。

2.0 表示 一次乘法和一次加法浮点运算

l.n表示 卷积核数目

l.size表示 卷积核大小(size*size)

l.c表示 待卷积图像的个数

l.out_h和l.out_w表示卷积后图像的大小，也等于完成某个卷积核扫描完该图像所需要卷积次数。 它取决于输入图像大小，卷积核大小，stride，以及pad等因素，其计算公式如下：(l.h + 2l.pad - l.size) / l.stride + 1; (l.w + 2l.pad - l.size) / l.stride + 1

可能看到这里有些晕，这里举一个例子简单说明一下哈。

待卷积输入图像 宽高为608x608 channels为3， 当然对中间的卷积层而言， 其输入变为 feature map的宽高以及个数了，比如304x304x32 对吧。

现在使用32个size为3的卷积核(32x3x3）对输入图像进行卷积， 其 步长为1， padding为1，那么该卷积层所耗费的总的运算次数为：

(2.0 * l.n * l.sizel.sizel.c * l.out_hl.out_w) = （2.032333[(608+21-3)/1+1][(608+2*1-3)/1+1]) = 638779392

最后除以billion(10^9) 来转换成BFLOPS单位： 638779392/10^9 约= 0.6388 BFLOPS

原文链接：https://blog.csdn.net/avideointerfaces/article/details/88243699

米亚123
关注
【目标检测-YOLO】YOLOv3
博观约取，厚积薄发
02-25 1930
YOLOv3: An Incremental Improvement Abstract At 320*320 YOLOv3 runs in 22 ms at 28.2 mAP, as accurate as SSD but three times faster. When we look at the old .5 IOU mAP detection metric YOLOv3 is quite good. It achieves 57.9 AP50 in 51 ms on a Titan X, com
问题解决：运行./darknet命令时，报错缺少libopencv_highgui.so.3.2包
qionggaobi9328的博客
05-02 5015
报错信息： ../darknet: error while loading shared libraries: libopencv_highgui.so.3.2: cannot open shared 经过安装数据库的折腾，丢失了libopencv_highgui.so.3.2:，导致darknet用不了，解决如下： 1、查看运行darknet需要哪些依赖库： 参考1 参考2 ldd darkn...
Yolov3模型框架darknet研究（二）结合darknet代码理解 bflops
热门推荐
ltshan139的专栏
03-06 1万+
在用darknet框架进行目标检测时，经常看到BFLOPS的概念，很多人不清楚什么意思，这里结合源代码来具体讲解一下。 BFLOPS 有两个不同场景下的解释。 第一种是描述硬件运算性能的单位，这时其全称是Billion Float Operations Per Second，即每秒能进行多少个十亿次浮点运算； 第二种是描述某次卷积运算需要的多少个十亿次浮点运算，其全称是 billion flo...
bflops计算
Less is More
08-02 673
描述硬件运算性能的单位，全称是Billion Float operations per second，即每秒能进行多少个 十亿次浮点运算符。 描述某次卷积运算需要的多少个十亿次浮点运算，全称是billion float operations，将多次卷积等运算所耗费的blops加起来就可以来表示某个算法模型的复杂度。 计算公示 ...
YoloV3检测不同分辨率输入的网络大小「params、Flops」
最新发布
aosiweixin的博客
08-20 585
YoloV3检测不同分辨率输入的网络大小「params、Flops」，直接使用train.py会发生一些问题，按照本文方法就可以检测到正确的yolov3网络的大小！
darknet53.conv74.rar
07-30
总的来说，YOLOv3和Darknet-53的结合为目标检测提供了一个强大且高效的解决方案。通过预训练模型"darknet53.conv.74"，开发者可以快速实现自己的目标检测应用，并在此基础上进行定制化训练以适应特定的场景和需求。
darknet53.conv.74
07-13
pytorch yolov3 目标检测 darknet53.conv.74 https://pjreddie.com/media/files/darknet53.conv.74 yolov3 权重文件
darknet53.conv.74.zip下载
06-10
yolov3目标检测模型的预训练权重darknet53.conv.74下载，下载下来后放到相应的文件夹中即可顺利加载预训练模型
darknet-master.zip_Darknet windows_darknet-master_dull3u3_yolov3
07-14
- 训练模型，使用Darknet的训练接口，这可能涉及到调用`darknet.exe`命令行工具。 - 测试和评估模型，使用预训练模型进行目标检测。 总的来说，"darknet-master.zip_Darknet windows_darknet-master_dull3u3_yolov3...
MobileNet-Yolo：MobileNetV2-YoloV3-Nano：0.5BFlops 3MB华为P40：6msimg，YoloFace-500k：0.1Bflops 420KB
02-05
Yolo-Fastest：更快更强大 此表中NCNN基准未更新最新ARM82数据，最新版本NCNN理论上ARM82会有一倍速度提升，待更新... 添加基于ncnn的106关键点C示例： : ***在某些GPU（例如NVIDIA PASCAL）上并没有很好地支持Darknet Group卷积！ 针对某些Pascalscal例如1080ti在darknet上训练失败/训练异常缓慢/推理速度异常的可以采用Pytorch版yolo3框架训练/推理 MobileNetV2-YOLOv3-Lite＆Nano Darknet 移动推理框架基准测试（4 * ARM_CPU） 网络 挥发性有机化合物含
yolov3, yolov4]模型
03-19
该存储库使用简化和最少的代码来重现 yolov3 / yolov4 检测网络和暗网分类网络。 亮点如下： - 支持原版darknet模型 - 支持“*.cfg”、“*.weights”模型的训练、推理、导入和导出 - 支持最新的[yolov3, yolov4]模型 - 支持darknet分类模型 - 支持feature map size计算、flops计算等各种指标。
yolov3-k-means darknet53 自动计算四舍五入
03-18
yolov3-k-means darknet53 自动计算四舍五入 可直接拷贝anchors使用 单个文件，修改Annoations即可使用
YOLOv3模型及参数opencv版
05-17
压缩包包含文件： coco.names，yolov3.cfg， yolov3.weights共三个文件。分别为训练数据的标签、网络框架、网络参数
bflops理解
shuijinghua的博客
05-22 1万+
参考:https://blog.csdn.net/avideointerfaces/article/details/88243699 最近看目标检测论文,经常看到BFLOPS的概念,对其比较疑惑,这里结合源代码来理解一下. BFLOPS有两个不同场景下的解释,第一种是描述硬件运算性能的单位,这时其全称是Billion Float operations per second,即每秒能进行多少个 十亿次浮点运算符;第二种是描述某次卷积运算需要的多少个十亿次浮点运算,其全称是billion float ope
【论文笔记】YOLOv3
DLUT_yan的博客
07-15 1703
转载，侵删。 新的网络结构Darknet-53 先从特征提取网络说起。YOLOv2时用的是Darknet-19网络来提取特征，这次修改成了Darknet-53，网络又加深了不少，看一下Darknet-53的结构与性能： 虽然运算复杂度提升了一点，但是它的浮点运算能力以及top-1,top-5表现有很大提高.速度降了一点，但是还是很高。 看一下YOLOv3网络整体： Demo layer ...
浅谈YOLOV3
yangxiang2504的博客
06-19 314
YOLOv3论文 论文相关 文章题目：YOLOv3：An Incremental Improvement 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf 目前，就目标检测而言主要分为两大系列：two-stage以及one-stage。而one-stage最突出的在于速度。 而YOLOv3的速度提升了更多。YOLOv3相比其他的YOLO...
理解darknet代码中 bflops的意义
weixin_44533869的博客
07-30 1569
在用darknet框架进行目标检测时，经常看到BFLOPS的概念，很多人不清楚什么意思，这里结合源代码来具体讲解一下。 BFLOPS 有两个不同场景下的解释。 第一种是描述硬件运算性能的单位，这时其全称是Billion Float Operations Per Second，即每秒能进行多少个十亿次浮点运算； 第二种是描述某次卷积运算需要的多少个十亿次浮点运算，其全称是 billion float operations，将多次卷积等运算所耗费的BLOPS加起来就可以来表示 某个算法模型的复杂度。 显然，d
浅析SlimYOLOv3——更窄、更快、更好
weixin_42041624的博客
07-18 1059
浅析SlimYOLOv3——更窄、更快、更好 ——————————————分割线—————————————————————— 这是一段吐槽和正文无关： 本来在百度上搜SlimYOLOv3,搜到几个帖子，然后和我想的不(没)一(看)样(懂)。一个CSDN上的要付费的专栏，我希望他能给俺整个网络结构什么的（因为想着不是要付费嘛）。结果付完钱，一下拉，好家伙，就一个表！白瞎我30大洋。然后我寻思着还是自力更生吧。有不对的地方欢迎指出。 ——————————————————分割线——————————————————
./darknet: 无法执行二进制文件: 可执行文件格式错误
07-09
如果你下载的是 Linux 版本的 darknet，你需要在 Linux 环境下运行它。如果你下载的是 Windows 版本的 darknet，你需要在 Windows 环境下运行它。 如果你的操作系统与二进制文件是匹配的，但仍然出现这个错误，可能...
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

打赏作者

米亚123

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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