YOLOV3 源码 module.py

最新推荐文章于 2024-05-05 22:03:03 发布
最新推荐文章于 2024-05-05 22:03:03 发布
阅读量851 收藏
点赞数
分类专栏： YOLOV3 文章标签： 深度学习
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/weixin_41866216/article/details/107686704
版权

主要是说明程序解析cfg文件 实现实例化module的流程。
以及网络cfg各个层次与module各个层次的对应
源码地址：https://github.com/ultralytics/yolov3 

一.YOLOV3流程图

纯手画的。。。

这里input shape 是 224 224 3 

检测的类别数是10类

二.cfg文件

1网络一些设定

动量优化算法的系数

学习率的衰减系数 

2卷积层

3shortcut层

对应residual block 中 shortcut操作

4yolo层以及yolo层之前的conv层

yolo之前的卷积层相当于检测的结果，我这里设定的是10分类，这里45对应3*（5+classnumbers）

3指的是每个网格对应三个anchor的检测

5指4+1， 4是anchor 的中心坐标 及 长宽 1 指是否包含物体

yolo层中mask的编号是指使用哪三个尺度的anchor

 

5 反卷积层

6route层

指用于把feature 进行concat操作。

三.打印模型的Summary

Model Summary: 222 layers, 6.15722e+07 parameters, 6.15722e+07 gradients
----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1         [-1, 32, 224, 224]             864
       BatchNorm2d-2         [-1, 32, 224, 224]              64
         LeakyReLU-3         [-1, 32, 224, 224]               0
            Conv2d-4         [-1, 64, 112, 112]          18,432
       BatchNorm2d-5         [-1, 64, 112, 112]             128
         LeakyReLU-6         [-1, 64, 112, 112]               0
            Conv2d-7         [-1, 32, 112, 112]           2,048
       BatchNorm2d-8         [-1, 32, 112, 112]              64
         LeakyReLU-9         [-1, 32, 112, 112]               0
           Conv2d-10         [-1, 64, 112, 112]          18,432
      BatchNorm2d-11         [-1, 64, 112, 112]             128
        LeakyReLU-12         [-1, 64, 112, 112]               0
WeightedFeatureFusion-13         [-1, 64, 112, 112]               0
           Conv2d-14          [-1, 128, 56, 56]          73,728
      BatchNorm2d-15          [-1, 128, 56, 56]             256
        LeakyReLU-16          [-1, 128, 56, 56]               0
           Conv2d-17           [-1, 64, 56, 56]           8,192
      BatchNorm2d-18           [-1, 64, 56, 56]             128
        LeakyReLU-19           [-1, 64, 56, 56]               0
           Conv2d-20          [-1, 128, 56, 56]          73,728
      BatchNorm2d-21          [-1, 128, 56, 56]             256
        LeakyReLU-22          [-1, 128, 56, 56]               0
WeightedFeatureFusion-23          [-1, 128, 56, 56]               0
           Conv2d-24           [-1, 64, 56, 56]           8,192
      BatchNorm2d-25           [-1, 64, 56, 56]             128
        LeakyReLU-26           [-1, 64, 56, 56]               0
           Conv2d-27          [-1, 128, 56, 56]          73,728
      BatchNorm2d-28          [-1, 128, 56, 56]             256
        LeakyReLU-29          [-1, 128, 56, 56]               0
WeightedFeatureFusion-30          [-1, 128, 56, 56]               0
           Conv2d-31          [-1, 256, 28, 28]         294,912
      BatchNorm2d-32          [-1, 256, 28, 28]             512
        LeakyReLU-33          [-1, 256, 28, 28]               0
           Conv2d-34          [-1, 128, 28, 28]          32,768
      BatchNorm2d-35          [-1, 128, 28, 28]             256
        LeakyReLU-36          [-1, 128, 28, 28]               0
           Conv2d-37          [-1, 256, 28, 28]         294,912
      BatchNorm2d-38          [-1, 256, 28, 28]             512
        LeakyReLU-39          [-1, 256, 28, 28]               0
WeightedFeatureFusion-40          [-1, 256, 28, 28]               0
           Conv2d-41          [-1, 128, 28, 28]          32,768
      BatchNorm2d-42          [-1, 128, 28, 28]             256
        LeakyReLU-43          [-1, 128, 28, 28]               0
           Conv2d-44          [-1, 256, 28, 28]         294,912
      BatchNorm2d-45          [-1, 256, 28, 28]             512
        LeakyReLU-46          [-1, 256, 28, 28]               0
WeightedFeatureFusion-47          [-1, 256, 28, 28]               0
           Conv2d-48          [-1, 128, 28, 28]          32,768
      BatchNorm2d-49          [-1, 128, 28, 28]             256
        LeakyReLU-50          [-1, 128, 28, 28]               0
           Conv2d-51          [-1, 256, 28, 28]         294,912
      BatchNorm2d-52          [-1, 256, 28, 28]             512
        LeakyReLU-53          [-1, 256, 28, 28]               0
WeightedFeatureFusion-54          [-1, 256, 28, 28]               0
           Conv2d-55          [-1, 128, 28, 28]          32,768
      BatchNorm2d-56          [-1, 128, 28, 28]             256
        LeakyReLU-57          [-1, 128, 28, 28]               0
           Conv2d-58          [-1, 256, 28, 28]         294,912
      BatchNorm2d-59          [-1, 256, 28, 28]             512
        LeakyReLU-60          [-1, 256, 28, 28]               0
WeightedFeatureFusion-61          [-1, 256, 28, 28]               0
           Conv2d-62          [-1, 128, 28, 28]          32,768
      BatchNorm2d-63          [-1, 128, 28, 28]             256
        LeakyReLU-64          [-1, 128, 28, 28]               0
           Conv2d-65          [-1, 256, 28, 28]         294,912
      BatchNorm2d-66          [-1, 256, 28, 28]             512
        LeakyReLU-67          [-1, 256, 28, 28]               0
WeightedFeatureFusion-68          [-1, 256, 28, 28]               0
           Conv2d-69          [-1, 128, 28, 28]          32,768
      BatchNorm2d-70          [-1, 128, 28, 28]             256
        LeakyReLU-71          [-1, 128, 28, 28]               0
           Conv2d-72          [-1, 256, 28, 28]         294,912
      BatchNorm2d-73          [-1, 256, 28, 28]             512
        LeakyReLU-74          [-1, 256, 28, 28]               0
WeightedFeatureFusion-75          [-1, 256, 28, 28]               0
           Conv2d-76          [-1, 128, 28, 28]          32,768
      BatchNorm2d-77          [-1, 128, 28, 28]             256
        LeakyReLU-78          [-1, 128, 28, 28]               0
           Conv2d-79          [-1, 256, 28, 28]         294,912
      BatchNorm2d-80          [-1, 256, 28, 28]             512
        LeakyReLU-81          [-1, 256, 28, 28]               0
WeightedFeatureFusion-82          [-1, 256, 28, 28]               0
           Conv2d-83          [-1, 128, 28, 28]          32,768
      BatchNorm2d-84          [-1, 128, 28, 28]             256
        LeakyReLU-85          [-1, 128, 28, 28]               0
           Conv2d-86          [-1, 256, 28, 28]         294,912
      BatchNorm2d-87          [-1, 256, 28, 28]             512
        LeakyReLU-88          [-1, 256, 28, 28]               0
WeightedFeatureFusion-89          [-1, 256, 28, 28]               0
           Conv2d-90          [-1, 512, 14, 14]       1,179,648
      BatchNorm2d-91          [-1, 512, 14, 14]           1,024
        LeakyReLU-92          [-1, 512, 14, 14]               0
           Conv2d-93          [-1, 256, 14, 14]         131,072
      BatchNorm2d-94          [-1, 256, 14, 14]             512
        LeakyReLU-95          [-1, 256, 14, 14]               0
           Conv2d-96          [-1, 512, 14, 14]       1,179,648
      BatchNorm2d-97          [-1, 512, 14, 14]           1,024
        LeakyReLU-98          [-1, 512, 14, 14]               0
WeightedFeatureFusion-99          [-1, 512, 14, 14]               0
          Conv2d-100          [-1, 256, 14, 14]         131,072
     BatchNorm2d-101          [-1, 256, 14, 14]             512
       LeakyReLU-102          [-1, 256, 14, 14]               0
          Conv2d-103          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-104          [-1, 512, 14, 14]           1,024
       LeakyReLU-105          [-1, 512, 14, 14]               0
WeightedFeatureFusion-106          [-1, 512, 14, 14]               0
          Conv2d-107          [-1, 256, 14, 14]         131,072
     BatchNorm2d-108          [-1, 256, 14, 14]             512
       LeakyReLU-109          [-1, 256, 14, 14]               0
          Conv2d-110          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-111          [-1, 512, 14, 14]           1,024
       LeakyReLU-112          [-1, 512, 14, 14]               0
WeightedFeatureFusion-113          [-1, 512, 14, 14]               0
          Conv2d-114          [-1, 256, 14, 14]         131,072
     BatchNorm2d-115          [-1, 256, 14, 14]             512
       LeakyReLU-116          [-1, 256, 14, 14]               0
          Conv2d-117          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-118          [-1, 512, 14, 14]           1,024
       LeakyReLU-119          [-1, 512, 14, 14]               0
WeightedFeatureFusion-120          [-1, 512, 14, 14]               0
          Conv2d-121          [-1, 256, 14, 14]         131,072
     BatchNorm2d-122          [-1, 256, 14, 14]             512
       LeakyReLU-123          [-1, 256, 14, 14]               0
          Conv2d-124          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-125          [-1, 512, 14, 14]           1,024
       LeakyReLU-126          [-1, 512, 14, 14]               0
WeightedFeatureFusion-127          [-1, 512, 14, 14]               0
          Conv2d-128          [-1, 256, 14, 14]         131,072
     BatchNorm2d-129          [-1, 256, 14, 14]             512
       LeakyReLU-130          [-1, 256, 14, 14]               0
          Conv2d-131          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-132          [-1, 512, 14, 14]           1,024
       LeakyReLU-133          [-1, 512, 14, 14]               0
WeightedFeatureFusion-134          [-1, 512, 14, 14]               0
          Conv2d-135          [-1, 256, 14, 14]         131,072
     BatchNorm2d-136          [-1, 256, 14, 14]             512
       LeakyReLU-137          [-1, 256, 14, 14]               0
          Conv2d-138          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-139          [-1, 512, 14, 14]           1,024
       LeakyReLU-140          [-1, 512, 14, 14]               0
WeightedFeatureFusion-141          [-1, 512, 14, 14]               0
          Conv2d-142          [-1, 256, 14, 14]         131,072
     BatchNorm2d-143          [-1, 256, 14, 14]             512
       LeakyReLU-144          [-1, 256, 14, 14]               0
          Conv2d-145          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-146          [-1, 512, 14, 14]           1,024
       LeakyReLU-147          [-1, 512, 14, 14]               0
WeightedFeatureFusion-148          [-1, 512, 14, 14]               0
          Conv2d-149           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-150           [-1, 1024, 7, 7]           2,048
       LeakyReLU-151           [-1, 1024, 7, 7]               0
          Conv2d-152            [-1, 512, 7, 7]         524,288
     BatchNorm2d-153            [-1, 512, 7, 7]           1,024
       LeakyReLU-154            [-1, 512, 7, 7]               0
          Conv2d-155           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-156           [-1, 1024, 7, 7]           2,048
       LeakyReLU-157           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-158           [-1, 1024, 7, 7]               0
          Conv2d-159            [-1, 512, 7, 7]         524,288
     BatchNorm2d-160            [-1, 512, 7, 7]           1,024
       LeakyReLU-161            [-1, 512, 7, 7]               0
          Conv2d-162           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-163           [-1, 1024, 7, 7]           2,048
       LeakyReLU-164           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-165           [-1, 1024, 7, 7]               0
          Conv2d-166            [-1, 512, 7, 7]         524,288
     BatchNorm2d-167            [-1, 512, 7, 7]           1,024
       LeakyReLU-168            [-1, 512, 7, 7]               0
          Conv2d-169           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-170           [-1, 1024, 7, 7]           2,048
       LeakyReLU-171           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-172           [-1, 1024, 7, 7]               0
          Conv2d-173            [-1, 512, 7, 7]         524,288
     BatchNorm2d-174            [-1, 512, 7, 7]           1,024
       LeakyReLU-175            [-1, 512, 7, 7]               0
          Conv2d-176           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-177           [-1, 1024, 7, 7]           2,048
       LeakyReLU-178           [-1, 1024, 7, 7]               0
WeightedFeatureFusion-179           [-1, 1024, 7, 7]               0
          Conv2d-180            [-1, 512, 7, 7]         524,288
     BatchNorm2d-181            [-1, 512, 7, 7]           1,024
       LeakyReLU-182            [-1, 512, 7, 7]               0
          Conv2d-183           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-184           [-1, 1024, 7, 7]           2,048
       LeakyReLU-185           [-1, 1024, 7, 7]               0
          Conv2d-186            [-1, 512, 7, 7]         524,288
     BatchNorm2d-187            [-1, 512, 7, 7]           1,024
       LeakyReLU-188            [-1, 512, 7, 7]               0
          Conv2d-189           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-190           [-1, 1024, 7, 7]           2,048
       LeakyReLU-191           [-1, 1024, 7, 7]               0
          Conv2d-192            [-1, 512, 7, 7]         524,288
     BatchNorm2d-193            [-1, 512, 7, 7]           1,024
       LeakyReLU-194            [-1, 512, 7, 7]               0
          Conv2d-195           [-1, 1024, 7, 7]       4,718,592
     BatchNorm2d-196           [-1, 1024, 7, 7]           2,048
       LeakyReLU-197           [-1, 1024, 7, 7]               0
          Conv2d-198             [-1, 45, 7, 7]          46,125
       YOLOLayer-199          [-1, 3, 7, 7, 15]               0
   FeatureConcat-200            [-1, 512, 7, 7]               0
          Conv2d-201            [-1, 256, 7, 7]         131,072
     BatchNorm2d-202            [-1, 256, 7, 7]             512
       LeakyReLU-203            [-1, 256, 7, 7]               0
        Upsample-204          [-1, 256, 14, 14]               0
   FeatureConcat-205          [-1, 768, 14, 14]               0
          Conv2d-206          [-1, 256, 14, 14]         196,608
     BatchNorm2d-207          [-1, 256, 14, 14]             512
       LeakyReLU-208          [-1, 256, 14, 14]               0
          Conv2d-209          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-210          [-1, 512, 14, 14]           1,024
       LeakyReLU-211          [-1, 512, 14, 14]               0
          Conv2d-212          [-1, 256, 14, 14]         131,072
     BatchNorm2d-213          [-1, 256, 14, 14]             512
       LeakyReLU-214          [-1, 256, 14, 14]               0
          Conv2d-215          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-216          [-1, 512, 14, 14]           1,024
       LeakyReLU-217          [-1, 512, 14, 14]               0
          Conv2d-218          [-1, 256, 14, 14]         131,072
     BatchNorm2d-219          [-1, 256, 14, 14]             512
       LeakyReLU-220          [-1, 256, 14, 14]               0
          Conv2d-221          [-1, 512, 14, 14]       1,179,648
     BatchNorm2d-222          [-1, 512, 14, 14]           1,024
       LeakyReLU-223          [-1, 512, 14, 14]               0
          Conv2d-224           [-1, 45, 14, 14]          23,085
       YOLOLayer-225        [-1, 3, 14, 14, 15]               0
   FeatureConcat-226          [-1, 256, 14, 14]               0
          Conv2d-227          [-1, 128, 14, 14]          32,768
     BatchNorm2d-228          [-1, 128, 14, 14]             256
       LeakyReLU-229          [-1, 128, 14, 14]               0
        Upsample-230          [-1, 128, 28, 28]               0
   FeatureConcat-231          [-1, 384, 28, 28]               0
          Conv2d-232          [-1, 128, 28, 28]          49,152
     BatchNorm2d-233          [-1, 128, 28, 28]             256
       LeakyReLU-234          [-1, 128, 28, 28]               0
          Conv2d-235          [-1, 256, 28, 28]         294,912
     BatchNorm2d-236          [-1, 256, 28, 28]             512
       LeakyReLU-237          [-1, 256, 28, 28]               0
          Conv2d-238          [-1, 128, 28, 28]          32,768
     BatchNorm2d-239          [-1, 128, 28, 28]             256
       LeakyReLU-240          [-1, 128, 28, 28]               0
          Conv2d-241          [-1, 256, 28, 28]         294,912
     BatchNorm2d-242          [-1, 256, 28, 28]             512
       LeakyReLU-243          [-1, 256, 28, 28]               0
          Conv2d-244          [-1, 128, 28, 28]          32,768
     BatchNorm2d-245          [-1, 128, 28, 28]             256
       LeakyReLU-246          [-1, 128, 28, 28]               0
          Conv2d-247          [-1, 256, 28, 28]         294,912
     BatchNorm2d-248          [-1, 256, 28, 28]             512
       LeakyReLU-249          [-1, 256, 28, 28]               0
          Conv2d-250           [-1, 45, 28, 28]          11,565
       YOLOLayer-251        [-1, 3, 28, 28, 15]               0
================================================================
Total params: 61,572,199
Trainable params: 61,572,199
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.57
Forward/backward pass size (MB): 292.12
Params size (MB): 234.88
Estimated Total Size (MB): 527.58

 

WeightedFeatureFusion 对应着shotcut 操作

FeatureConcat

 

 

四.YOLO layer的实现

 

 

 

 

 

 

 

 

 

朱小丰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
yolov3源码分析
m0_43421420的博客
03-08 394
yolov3源码分析
YOLOv5从源码下载到运行保姆级教程
weixin_39424706的博客
12-03 1万+
运行yolo代码的必经之路，源码下载，opencv、torch、thop的安装方法
YOLOv3训练一篇秒【超·详细·大上手】：DIY数据集+新旧版（ultralytics版&pjreddie版）+Ubuntu22.04
最新发布
qq_53021454的博客
05-05 1452
使用系统为Ubuntu22.04，用新旧版（ultralytics和pjreddie）YOLOv3训练4类外卖袋。最好使用训练好的模型。超详细，全攻略。
劲爆！YOLOv6又快又准的目标检测框架开源啦（附源代码下载）
gzq0723的博客
06-26 2260
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式代码地址：https://github.com/meituan/YOLOv6转自《美团技术团队》计算机视觉研究院专栏作者：Edison_G近日，美团视觉智能部研发了一款致力于工业应用的目标检测框架YOLOv6，能够同时专注于检测的精度和推理效率。在研发过程中，视...
学习pytorch——了解深度学习一般框架
魔芋小灰菜
05-31 1269
学习pytorch——了解深度学习一般框架 python的安装–anaconda 1 下载anaconda 环境配置 Anaconda_Home E:\dev\Anaconda3 path: %Anaconda_Home% %Anaconda_Home%\Library\bin %Anaconda_Home%\Scripts %Anaconda_Home%\Library\mingw-w64\bin 常用命令 查看所有虚拟环境： conda info -e 查看当前环境的包：conda list
深入浅出Yolo系列之Yolov5核心基础知识完整讲解
热门推荐
江南研习社
08-10 23万+
大白在之前写过《Yolov3&Yolov4核心基础知识的完整讲解》：https://blog.csdn.net/nan355655600/article/details/106246625/ 对Yolov4的相关基础知识做了比较系统的梳理，但Yolov4后不久，又出现了Yolov5，虽然作者没有放上和Yolov4的直接测试对比，但在COCO数据集的测试效果还是很可观的。 很多人考虑到Yolov5的创新性不足，对算法是否能够进化，称得上Yolov5而议论纷纷。 但既然称之为Yolov5，也有很多非常不
基于YOLOv5改进detect.py（源码）.rar
04-15
1、资源内容：基于YOLOv5改进detect.py（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，...
基于pytorch框架实现的yolov3项目源码.zip
03-10
基于pytorch框架实现的yolov3项目源码.zip基于pytorch框架实现的yolov3项目源码.zip基于pytorch框架实现的yolov3项目源码.zip基于pytorch框架实现的yolov3项目源码.zip基于pytorch框架实现的yolov3项目源码.zip基于...
yolov5_uart.py
04-29
yolov5源码detect.py的基础上进行魔改，可以直接部署在Jetson系列设备上。内部增加了串口发送功能，可以发送目标检测识别框的坐标信息。详细教程请见...
Yolov3源码解析.zip
04-21
本资源集合了关于YOLOv3的源码解析和原理讲解，帮助开发者深入理解这一先进的目标检测技术。 1. **目标检测的基本概念** - 目标检测是计算机视觉中的核心任务之一，旨在识别并定位图像中的特定对象。 - YOLO系列...
yolov3源代码
12-03
基于keras的yolov3物体检测源码，可以直接运行使用，用于物体的定位识别。
YOLOv3-PyTorch
02-25
PyTorch中的YOLOv3 YOLOv3在PyTorch中的实现非常少，仅跨越大约800行代码（不包括绘图功能等），支持训练和评估，并带有辅助功能以进行推理。 目前有Pascal-VOC的预训练权重，其中MS COCO即将发布。 只需在模型上对输出格式进行最小的更改，原始权重也可以无缝加载。 安装 克隆和安装要求 $ git clone https://github.com/SannaPersson/YOLOv3-PyTorch.git $ cd YOLOv3-PyTorch $ pip install requirements.txt 在Pascal-VOC上下载预训练重量 可以从以下页面下载Pascal-VOC的预训练砝码： ：//www.kaggle.com/sannapersson/yolov3-weights-for-pascal-voc-with-781-map 下载原
yolov3-spp-ultralytics.pt (第一部分/共两部分)
04-06
【注意】整个文件共240Mb，由于上传限制，我把文件分成两个部分，需要【都下载下来】，一起解压才能得到完整文件。如果有问题可以留言或者私信，我上传这个文件是为了方便大家，之前传的网盘链接被举报了【2次】，如果这次再被举报这个资源我就不传了。
yolov3python源码(pytorch版本)+项目说明.zip
03-08
yolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本)+项目说明.zipyolov3python源码(pytorch版本
yolo源码学习（一）
Rebaccaminmin的博客
03-12 2310
最近开始学习yolo，以博客形式记录下自己的学习路程，关于安装，背景等都不介绍了，直接开始读源码: 1.首先在darknet.c文件中找到main函数，看到对参数的解释，如果是yolo，执行run_yolo函数：int main(int argc, char **argv) { //test_resize("data/bad.jpg"); //test_box(); //te
MXNet的训练实现脚本：module.py
AI之路
07-15 6507
前面一篇博客：MXNet的训练基础脚本：base_module.py提到MXNet中很重要的一个脚本base_module.py，这里面定义了基本的BaseModule类，而本篇博客提到的module.py脚本中的Module类则是继承BaseModule类，然后进行了具体的实现，比如forward方法，update_metric方法等。在创建模型的时候用的是mx.mod.Module这个类，比如：
GluonCV：用Pascal VOC数据训练YOLO v3（上）准备数据+简单训练命令
公众号/知乎: AI算法札记，欢迎关注交流
10-28 5967
1.GluonCV简介 Github：https://github.com/dmlc/gluon-cv   GluonCV提供计算机视觉中state-of-the-art（SOTA）深度学习模型的实现。 它专为工程师，研究人员和学生设计，可基于这些模型快速产生原型产品和研究思路。 该工具包提供四个主要功能：  （1）训练脚本用来复现研究论文中报告的SOTA结果 （2）大量预训练模型 ...
yolov3 python代码_YOLOv3代码分析(Keras+Tensorflow)
weixin_33525298的博客
02-11 655
前面(YOLO v3深入理解)讨论过论文和方案之后，现在看一下代码实现。YOLO原作者是C程序，这里选择的是Kears+Tensorflow版本，代码来自experiencor的git项目keras-yolo3，我补充了一些注释，项目在keras-yolo3 + 注释，如有错漏请指正。图1 检测Raccoon下面讲一下训练样本的设置和loss的计算。图2 输入->输出训练样本设置参考上面图2...
yolov3 keras版本yolo.py各函数解析
奔跑的小仙女
11-09 7076
class yolo：获取信息、预训练模型地址、anchor文件位置、类别文件位置、score阈值、IOU阈值、输入图像尺寸、gpu数量。 #用于融合所有的组件 class YOLO(object): _defaults = { "model_path": 'model_data/yolo.h5', #训练好的模型 "anchors_path":...
yolov8中yolo.py文件在哪
08-03
根据引用[1]中的内容，yolo.py文件是YOLOv5源码中的一个文件，用于详细介绍YOLOv5的网络结构。该文件包含了网络结构的定义和相关代码解析。因此，yolo.py文件应该在YOLOv5源码的文件夹中可以找到。 请注意，由于我...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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