yolov3代码理解【YunYang1994】

只描述代码每个函数的含义，具体含义参考代码解析。

一. core.common.py代码理解

构建darknet和yolov3的时候会用到这个py文件
yolov3具体的骨干网络模型参考

其中DBL由convolutional函数表示
res由residual_block表示
concat由route表示，但是代码中实际上没有使用route函数，而是直接使用concat
上采样由upsample表示。

1. convolutional函数：

函数表示darknet最基本的卷积过程：包括：$卷积+BN/偏置+非线性$
返回：经过上面几个操作的输出。

def convolutional(input_data, filters_shape, trainable, name, downsample=False, activate=True, bn=True):
# input_data：输入数据 shape(?,416,416,3)等
# filters_shape：filter的大小和形状  shape(3,3,32输入通道数,64输出通道数)
# trainable：BN层是训练过程，还是测试过程
# name：每个卷积的权重参数的名字
# downsample：是否下采样，即：是否需要使得输出图片大小是输入图片的一半
# activate：是否使用激活函数
# bn：是否使用bn层，使用bn层，则不使用bias，不使用bn，就是用bias层
return conv

2. residual_block

def residual_block(input_data, input_channel, filter_num1, filter_num2, trainable, name):
...
return residual_output

使用resnet模块：input经过$1\ast 1$和$3\ast 3$然后再和input进行相加。
返回得到经过一个res模块的输出。

3. route

def route(name, previous_output, current_output):
...
return output

感觉本来是要用于分支之间的拼接，但是代码后期并没有使用这个函数进行拼接，而是直接使用了tf.concat。所以这个函数好像没什么意义。

4. upsample上采样

 def upsample(input_data, name, method="deconv"):
 ...
 return output

通过resize和反卷积两种方式进行上采样。
返回得到上采样以后得到的输出。

二. core.backbone.py

构建yolov3的时候会用到darknet骨干特征提取网络

1. darknet53

就darknet一个函数，表示骨干特征提取的过程。

def darknet53(input_data, trainable)
# trainable表示bn层是训练还是测试过程
...
return route_1, route_2, input_data

模型图参考

返回的是三个分支：
route_1：第一个res8的输出分支
route_2：第二个res8的输出分支
input_data：res4的输出分支

三. core.yolov3.py

train和test的时候都会用到这个yolov3.py，这个文件中不仅有网络构建部分，还有损失函数的部分。
只有一个YOLOv3类：
class YOLOV3(object)构建整个yolov3网络，包括损失函数。

1. __init__初始化函数

def __init__(self, input_data, trainable): 

创建类的时候自动调用的函数。
需要传入参数：输入图片，以及是训练过程还是测试过程。
函数中还定义了构建yolov3网络必须用到的参数：比如classes；num_class；strides等等。具体看代码。
函数中调用了decode函数：得到对应resize之后的原图中的结果，得到：pred_sbbox；pred_mbbox；pred_lbbox。
shape：(batch_size,13,13,3,类别数+类别分数) 坐标也是针对resize之后的原图。

2. __build_nework

def