YOLO系列——yolov3

1、yolov3的网络结构

        yolov3主要针对小目标检测不足做出的改进

1. 1 网络模型（Darknet-53）

• 由53个卷积层构成，包括1x1和3x3的卷积层，
  每个卷积层后包括一个归一化层和一个Leaky ReLU，防止过拟合；
• 没有全连接，可以输入任意尺寸的图像；
• 没有池化层，通过conv的stride步长达到下采样的效果；
• Darknet-53中使用了ResNet结构，增加了网络层数，可以提取更多的细节。

1. 2 网络结构图

1.2.1

1. DBL：由一个卷积层、一个批归一化层、一个Leaky ReLU组成的基本单元。
2. res unit（残差单元）：图像经过两个DBL，再与原输入特征进行add；                                                              目的：使得网络提取更深层的特征，同时避免梯度消失和爆炸。
3. res（n）：表示有 n 个res unit，resn = zero paadding +DBL+n*unit
4. y1、y2、y3 ：分别表示yolov3的三种不同尺度输出；                                                           每个网格需要预测 3 个 box，5个基本参数，80个类别，3×(5 + 80) = 255
5. concat1（拼接）：将大感受野的特征进行上采样，然后与中感受野进行维度拼接得到多尺度融合的目的，加强算法对小目标检测的精度。（采用了类似FPN的上采样和融合）
6. concat2（拼接）：将中感受野的特征进行上采样，然后与小感受野进行维度拼接得到多尺  度融合，加强算法对小目标检测的精度。
7. yolov3的整个主干网络Backbone：Darknet53  1+（1+2*1）+（1+2*2）+（1+2*8）+（1+2*8）+（1+2*4）=52

1.2.2 Neck

FPN

1.3 改进之处

1、多尺度检测——上采样 + 维度拼接

2、多标签分类：softmax() 改为logistic()

                           

      logistic回归采用sigmod函数

                          

1.4 网络实现

https://www.cnblogs.com/Ldemon/p/16566533.html

GitHub - ultralytics/yolov3: YOLOv3 in PyTorch > ONNX > CoreML > TFLite

一文看懂YOLO v3_yolov3的计算量_小小小绿叶的博客-CSDN博客

深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解 - 知乎