YOLOv3网络结构分析以及工作流程

最新推荐文章于 2024-04-22 14:03:19 发布
最新推荐文章于 2024-04-22 14:03:19 发布
阅读量3.2k 收藏 25
点赞数 4
分类专栏： 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_44623637/article/details/104242741
版权

注意：本文章有很多图，但是都是YOLOv3的结构图，只是每张图表达出的信息都各有特色，可将这些结构图结合起来，能更好的理解。

1.Darknet-53 模型结构

在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层，作者说因为网络中有53个convolutional layers，所以叫做Darknet-53（2 + 12 + 1 + 22 + 1 + 82 + 1 + 82 + 1 + 4*2 + 1 = 53 按照顺序数，不包括Residual中的卷积层，最后的Connected是全连接层也算卷积层，一共53个）。下图就是Darknet-53的结构图，在右侧标注了一些信息方便理解。（卷积的strides默认为（1，1），padding默认为same，当strides为（2，2）时padding为valid）
在这里插入图片描述
看完上图应该就能自己搭建出Darknet-53的网络结构了，上图是以输入图像256 x 256进行预训练来进行介绍的，常用的尺寸是416 x 416，都是32的倍数。下面我们再来分析下YOLOv3的特征提取器，看看究竟是在哪几层Features上做的预测。

YOLOv3模型结构

作者在论文中提到利用三个特征层进行边框的预测，具体在哪三层我感觉作者在论文中表述的并不清楚。Darknet-53是yolov3的前置网络，yolov3在Darknet-53的基础上进一步抽象和融合后才得到三个预测特征层。
在这里插入图片描述
在上图中我们能够很清晰的看到三个预测层分别来自的什么地方，以及Concatenate层与哪个层进行拼接。注意Convolutional是指Conv2d+BN+LeakyReLU，和Darknet53图中的一样，而生成预测结果的最后三层都只是Conv2d。通过上图就能更加容易地搭建出YOLOv3的网络框架了。
yolo输出时的显示：

layer     filters    size              input                output
   0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32 0.299 BF
   1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64 1.595 BF
   2 conv     32  1 x 1 / 1   208 x 208 x  64   ->   208 x 208 x  32 0.177 BF
   3 conv     64  3 x 3 / 1   208 x 208 x  32   ->   208 x 208 x  64 1.595 BF
   4 Shortcut Layer: 1
   5 conv    128  3 x 3 / 2   208 x 208 x  64   ->   104 x 104 x 128 1.595 BF
   6 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64 0.177 BF
   7 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128 1.595 BF
   8 Shortcut Layer: 5
   9 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64 0.177 BF
  10 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128 1.595 BF
  11 Shortcut Layer: 8
  12 conv    256  3 x 3 / 2   104 x 104 x 128   ->    52 x  52 x 256 1.595 BF
  13 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  14 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  15 Shortcut Layer: 12
  16 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  17 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  18 Shortcut Layer: 15
  19 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  20 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  21 Shortcut Layer: 18
  22 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  23 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  24 Shortcut Layer: 21
  25 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  26 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  27 Shortcut Layer: 24
  28 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  29 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  30 Shortcut Layer: 27
  31 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  32 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  33 Shortcut Layer: 30
  34 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
  35 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
  36 Shortcut Layer: 33
  37 conv    512  3 x 3 / 2    52 x  52 x 256   ->    26 x  26 x 512 1.595 BF
  38 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  39 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  40 Shortcut Layer: 37
  41 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  42 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  43 Shortcut Layer: 40
  44 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  45 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  46 Shortcut Layer: 43
  47 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  48 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  49 Shortcut Layer: 46
  50 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  51 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  52 Shortcut Layer: 49
  53 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  54 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  55 Shortcut Layer: 52
  56 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  57 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  58 Shortcut Layer: 55
  59 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  60 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  61 Shortcut Layer: 58
  62 conv   1024  3 x 3 / 2    26 x  26 x 512   ->    13 x  13 x1024 1.595 BF
  63 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  64 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  65 Shortcut Layer: 62
  66 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  67 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  68 Shortcut Layer: 65
  69 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  70 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  71 Shortcut Layer: 68
  72 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  73 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  74 Shortcut Layer: 71
  75 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  76 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  77 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  78 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  79 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512 0.177 BF
  80 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024 1.595 BF
  81 conv     18  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x  18 0.006 BF
  82 yolo
  83 route  79
  84 conv    256  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 256 0.044 BF
  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 BF
  88 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  89 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  90 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  91 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256 0.177 BF
  92 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512 1.595 BF
  93 conv     18  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x  18 0.012 BF
  94 yolo
  95 route  91
  96 conv    128  1 x 1 / 1    26 x  26 x 256   ->    26 x  26 x 128 0.044 BF
  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 BF
 100 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
 101 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
 102 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
 103 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128 0.177 BF
 104 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256 1.595 BF
 105 conv     18  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x  18 0.025 BF
 106 yolo
YOLOv3工作流程

根据图来说明过程：
在这里插入图片描述
首先，将输入图片缩放到416x416，通过特征提取网络（Darknet53 without FC layer）进行了5次下采样，还用了残差网络，目的是使网络在深层能够很快的收敛继续训练下去，然后通过yolo层对输入图像提取特征得到大小一定的特征图13x13，输出的特征图经过DBL后的13×13的特征图上采样后与倒数第二次下采样的结果相加，二者都为26×26，然后在进行和尺度一同样的后续操作。最后是26×26的特征图上采样后与倒数第三次下采样的特征图相加，即还为26×26，在进行后续操作。
最后会输出三个不同尺度的特征图（即多尺度预测），每个尺度的特征图用来预测不同大小的目标，比如小尺度13x13可以预测大目标，中尺度26x26预测中目标，大尺度52x52预测小目标。而后，每个特征图对应3种anchor大小不同的负责预测目标。
最初图像还被分成13×13个网格，目标落在哪个网格中，哪个网格就负责预测目标，一个网格对应3个anchor（anchor的尺寸根据特征图相对于原图的比例等比缩小）。
不同尺寸特征图对应不同大小的先验框。
1313feature map对应【（11690），（156198），（373326）】
2626feature map对应【（3061），（6245），（59119）】
5252feature map对应【（1013），（1630），（3323）】
原因：
特征图越大，感受野越小。对小目标越敏感，所以选用小的anchor box。
特征图越小，感受野越大。对大目标越敏感，所以选用大的anchor box。

因此，最后的输出为S×S×3×（5+class_number）
预测时，yolov3采用多个独立的逻辑分类器来计算属于特定标签的可能性，在计算分类损失时，它对每个标签使用二元交叉熵损失，降低了计算的复杂度。
更详细的yolov3网络结构：
在这里插入图片描述
损失函数部分可以借助此博客，有很详细的讲解（虽然是yolov1，但也可借助来理解yolov3）：
YOLOv1论文理解
YOLO v1深入理解

Krasjet_Yu.
关注
  • 4
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
YOLOv3原理及流程简述
ManiacLook的博客
11-30 4802
详细实现可以参考博客 核心思想 ​ 输入图像经过全卷积神经网络得到 3 种尺度（跨尺度预测）的输出特征图，在输出特征图上划分 cell(单元格)，对于 ground truth box 中心所在的 cell，该 cell 就负责预测 ground truth box 框中的目标。该 cell 先计算事先指定的 3 种 anchor 与 ground truth box 的 IOU，选出 IOU 最高的 anchor，然后用选出的 anchor 生成我们需要的检测框，最后根据该检测框对不同类别的置信度，来检测
YOLO v3网络结构分析
m0_60341379的博客
10-22 2996
1.Darknet-53 模型结构 在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层，作者说因为网络中有53个convolutional layers，所以叫做Darknet-53（2 + 1*2 + 1 + 2*2 + 1 + 8*2 + 1 + 8*2 + 1 + 4*2 + 1 = 53 按照顺序数，最后的Connected是全连接层也算卷积层，一共53个）。下图就是Darknet-53的结构图，
目标检测入门之再读YOLOv3
sgzqc的专栏
11-27 4283
1 引言 YOLOv3在YOLOv2的基础上,改良了网络的主干,利用多尺度特征图进行检测,改进了多个独立的Logistic regression分类器来取代softmax来预测类别分类. YOLOv2的论文链接: 戳我 闲话少述,我们直接开始 ???? 2 主干网络 YOLOv3提出了新的主干网络: Darknet-53 ,从第0层到第74层,一共有53层卷积层,其余均为Resnet层. 和Darknet-19相比,Darknet-53去除了所有的maxpooling层,增加了更多的1X1和3X3的卷积层,
Darknet，看过很多篇，这个最清晰了
最新发布
dont worry about it的博客
04-22 4万+
YOLO（You Only Look Once）是Darknet的标志性应用之一，它是一种实时目标检测算法，能够在单次前向传播中检测图像中的多个对象，并输出它们的边界框和类别。YOLO的速度和效率使其成为自动驾驶、监控和无人机视觉等实时目标检测应用的理想选择。批量归一化是一种用于提升神经网络训练效率和性能的技术，由Sergey Ioffe和Christian Szegedy在2015年提出。Darknet是一个快速、轻量级且多功能的深度学习框架，特别擅长目标检测任务。
yolov3大体步骤
点绛唇
09-03 1992
蓝色框为聚类得到的先验框，黄色框是ground truth，红框是目标中心点所在的网格。 如果匹配的最优先验框所在的grid和gt box所在的grid不重合怎么办？既然不重合，那怎么使用sigmoid来预测中心点基于grid的偏移呢？因为我已经看过了一些开源实现，他还是在gtbox所在的grid里面选择一个IOU最大的anchor来作为匹配结果的 在原论文中，确实是使用先验框来训练的，也就是静态指定。静态指定就没有你说的问题了。动态的话，训练其实也是收敛的，中心点偏移只会发生在训练初期，...
【YOLO系列】YOLO v3（网络结构图+代码）
陶将的博客
05-16 2905
在YOLO的发展史中，v1到v3算法思想逐渐完备，后续的系列也都以v3为基石，在v3的基础上进行改进，所以很有必要单独出一篇详细讲解v3的博文。 本篇博文结合网络结构简图和代码，讲解YOLOv3的具体实现。
最通俗易懂的YOLOv3原理及代码解析
welcome_yu的博客
08-24 6526
YOLO是一种端到端的目标检测模型。YOLO算法的基本思想是：首先通过特征提取网络提取输入特征，得到特定大小的特征图输出。输入图像分成13×13的网格单元，接着如果真实框中某个对象的中心坐标落在某个网格中，那么就由该网格来预测该对象。每个对象有固定数量的边界框，YOLO v3中有三个边界框，使用逻辑回归确定用来预测的回归框. YOLO结构 Yolo v3整个结构，不包括池化层和全连接层。Yolo主干结构是Darknet-53网络，还有 Yolo预测支路采用的都是全卷积的结构。 图1 YOLO v3 结构
yolov3网络的学习
09-28
YOLOv3网络是深度学习领域中用于目标检测的著名模型...通过阅读和分析提供的代码，你可以了解到YOLOv3的具体实现细节，如网络架构、训练流程以及性能评估方法。对于希望提升目标检测技术的人来说，这是一份宝贵的资源。
YOLOv3 pytorch版源代码
06-25
YOLOv3的设计理念是通过单次网络前向传播就能同时预测图像中的多个物体，避免了传统目标检测方法中繁琐的多阶段流程。它采用了一种基于网格的检测机制，每个网格负责预测几个边界框（bounding boxes），并对应多个...
YOLOv3玩手机行为检测训练模型+ 代码
12-01
YOLOv3采用了 Darknet-53 网络结构作为基础特征提取器，这是一个深度残差网络，包含多个残差块，能有效缓解梯度消失问题。模型设计中引入了多尺度检测，通过三个不同大小的输出层捕捉不同大小的目标，从而提高了对...
yolov3-tiny.rar
06-14
与标准的YOLOv3相比，YOLOv3-Tiny采用了更小的网络结构，包括更少的卷积层和更小的特征图尺寸，这使得它在资源受限的环境中，如嵌入式设备或移动端，表现得更为实用。 JSON网络文件通常包含模型的架构描述，这些...
OpenCvSharp-YoloV3.rar 完整Demo，可直接运行
05-09
OpenCvSharp-YoloV3 是一个基于C#实现的物体检测Demo，它结合了OpenCV库和YoloV3模型，提供了在C#环境中直接运行物体检测的完整解决方案。这个压缩包包含了必要的源代码和配置文件，适用于Visual Studio 2010，并且...
人工智能-项目实践-图像识别-利用YOLOv3结合行人重识别模型，实现行人的检测识别，查找特定行人
07-03
2. 模型：YOLOv3和ReID模型的预训练权重文件，以及模型结构定义文件。 3. 训练脚本：用于训练ReID模型的Python脚本，可能包括数据预处理、模型编译、训练循环等。 4. 推理脚本：用于在新图像上运行检测和识别的代码...
yolov3训练Visdrone2019训练结果和权重
04-27
1. 训练脚本：可能包含了使用PyTorch框架编写的YOLOv3训练代码，这些代码会定义网络结构、损失函数、优化器，并处理数据加载与训练流程。 2. 权重文件：训练完成后得到的模型权重，可以用来直接加载模型进行推理或者...
Pytorch-YOLOv3.zip
07-13
2. **Darknet-53**：YOLOv3使用了Darknet-53作为基础网络结构，这是一种深度残差网络，增强了模型的表达能力。 3. **Anchor Boxes**：YOLOv3使用了预定义的 Anchor Boxes，这些框是根据训练数据计算出的，有助于提高...
yolov3_opencl.zip
12-17
3. ** Darknet-53**：YOLOv3的基础网络结构是Darknet-53，这是一个深度残差网络，由53个卷积层组成，增强了特征提取能力。 4. **Feature pyramid network (FPN)**：尽管不是原始YOLOv3设计的一部分，但许多YOLOv3的...
YOLO学习过程（一）
冰凌的博客
10-12 1009
一.下载Darknet框架并测试 Darknet官网https://pjreddie.com/darknet/yolo/ 1.下载编译Darknet框架 1）终端输入命令 git clone https://github.com/pjreddie/darknet cd darknet 2）若没有配置GPU,CUDA及OPENCV等环境则直接输入命令  make  进行编译    ...
基于darknet-53框架的Yolov3实验
qq_41652814的博客
04-26 1万+
基于darknet-53框架的Yolov3实验 配置环境虽然有点麻烦，但是跑出结果的时候还是感觉到了yolov3的强大，下面是跑出来的结果 首先是yolov3的输出结果： 茯苓@FL /cygdrive/d/软件/cygwin2/home/茯苓/darknet $ ./darknet detect cfg/yolov3.cfg yolov3.weights data/person.jpg l...
YOLOv5算法原理与网络结构
babyai996的博客
02-07 3万+
以 YOLOv5s为例，第一个CSP1中，使用了1个残差组件，因此是CSP1_1，在YOLOv5m中，增加了网络的深度，在第一个CSP1中，使用了2个残差组件，因此是CSP1_2，YOLOv5l中，同样的位置，则使用了3个残差组件，YOLOv5x中，使用了4个，其余CSP也是同样的原理，使用残差组件的个数如图5所示。第一，提高了数据集的复杂度：对多张图片，进行随机的缩放以及剪裁，之后再随机分布，进行拼接，使数据集得到极大地丰富，特别是进行随机缩放操作，可以增加许多小目标，训练得到的模型，鲁棒性会更好；
YOLOv5 算法检测流程分析
05-01
很高兴为您提供答案。YOLOv5算法检测流程分析主要分为三个阶段：网络模型的设计、网络模型的训练和模型的测试，具体步骤如下： 1.网络模型的设计：YOLOv5算法基于深度卷积神经网络实现物体检测。它采用一种新型的网络结构来提取特征，比如SPP结构和PANet结构。这个阶段的目标是设计一个结构合理的深度卷积神经网络，使得网络在物体检测方面有较高的准确度。 2.网络模型的训练：在这个阶段，我们需要准备好训练集和验证集，然后使用这些数据来训练我们的深度卷积神经网络。在进行训练时，我们需要选择合适的损失函数和优化器来最小化训练误差。此外，我们还可以使用数据增强技术来增加训练数据的多样性。 3.模型的测试：在这个阶段，我们使用测试数据对训练好的模型进行测试，并计算模型的准确率和召回率等评价指标。测试时，我们需要提前设定目标物体的种类和大小，模型会识别出图像中所有目标物体并返回其位置和类别信息。 希望我的回答对您有所帮助。如果您还有其他问题，请继续提出，我会尽力为您解答。

“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