（五）YOLO-V3核心源码讲解（2）（※）

上回说到数据和标签的准备和处理，这回我们说一下Darknet网络的架构以及计算过程🧐

注：关于配置文件中各参数的含义，参考详解 yolo配置文件各参数的含义_零碎@流年絮语 的博客-CSDN博客 

---

1.模型构建

在model.py中定义Darknet类，构造函数中读取模型配置文件，并调用create_modules()函数，根据配置文件，对每一层进行构建

接下来我们简要分析 create_modules()函数中构建每一层的操作

        首先读取网络的基本参数后，从配置中按顺序读取每一层的参数，并根据参数构建相应的层

 

注：其实每一层不是单纯的卷积，而是和BN和Relu组合的组合层 

          调用YOLOLayer()构建yolo层

---

2.前向传播过程

        在Darknet类的forward()函数中，按照每一层定义的顺序进行前向传播计算

         每个隐藏层输出结果存储在layer_outputs[]中，最终yolo的输出结果在yolo_outputs[]中（注意有三个yolo层，分别代表三个预测框的结果）

        卷积、池化、上采样、特征融合、残差连接的操作在图中已注释，重点是yolo层的前向传播 

         在执行Darknet中的forward()后，会进入YOLOLayer中的forward()，执行yolo层的前向传播

①得到预测概率 

 ②将特征图网格还原到原始图像

  ③处理标签并筛选IOU最好的预测框（详细计算在utils.py，实现过于复杂，感兴趣可以看看）

 ④计算损失

         将各种损失函数计算并累加

---

         前向传播过程结束后，根据评估损失进行反向传播，由pytorch框架实现