YOLOv3 网络结构
YOLOv3一共107层,其中,0到74层为卷积层和res层;75-105为yolo层,具备检测功能,分类和回归。采用逻辑回归预测box
1.每一个小的卷积层内容:
conv2d+BatchNorm2d+LeakyRELU
这样的卷积结构先是有4个,
2.shortcuts:即skip步骤,resnet结构
输入与输出保持一致。为了解决网络的梯度弥散或者梯度爆炸的现象,提出将深层神经网络的逐层训练改为逐阶段训练,将深层神经网络分为若干个子段,每个小段包含比较浅的网络层数,然后用shortcut的连接方式使得每个小段对于残差进行训练,每一个小段学习总差(总的损失)的一部分,最终达到总体较小的loss,同时,很好的控制梯度的传播,避免出现梯度消失或者爆炸等不利于训练的情形。
3.yolo层,检测层
从75到105层为yolo网络的特征交互层,分为三个尺度,每个尺度内,通过卷积核的方式实现局部的特征交互,作用类似于全连接层但是是通过卷积核(3*3和1*1)的方式实现feature map之间的局部特征(fc层实现的是全局的特征交互)交互。
最小尺度yolo层:
输入:13*13的feature map ,一共1024个通道。
操作:一系列的卷积操作,feature map的大小不变,但是通道数最后减少为75个。
输出;输出13*13大小的feature map,75个通道,在此基础上进行分类和位置回归。
中尺度yolo层:
输入:将79层的13*13、512通道的feature map进行卷积操作,生成13*13、256通道的feature map,然后进行上采样,生成26*26、256通道的feature map,同时于61层的26*26、512通道的中尺度的feature map合并。再进行一系列卷积操作,
操作:一系列的卷积操作,feature map的大小不变,但是通道数最后减少为75个。
输出:26*26大小的feature map,75个通道,然后在此进行分类和位置回归。
大尺度的yolo层:
输入:将91层的26*26、256通道的feature map进行卷积操作,生成26*26、128通道的feature map,然后进行上采样生成52*52、128通道的feature map,同时于36层的52*52、256通道的中尺度的feature map合并。再进行一系列卷积操作,
操作:一系列的卷积操作,feature map的大小不变,但是通道数最后减少为75个。
输出:52*52大小的feature map,75个通道,然后在此进行分类和位置回归。
4.本文引用:https://blog.csdn.net/wwwhp/article/details/82113678
YOLOv3 网络结构相关推荐
- 【华为云技术分享】小白学YOLO:YOLOv3网络结构细致解析
Yolov3 网络结构 在博客"Yolo发展历史及网络结构"中我们已经详细的解释了Yolov1的网络结构,并简要的提到了Yolov2与Yolov3对于网络结构的改进,本篇博客将详细 ...
- YOLOv3网络结构细致解析
YOLOv3网络结构细致解析 先贴一张结构图镇楼: layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 41 ...
- pytorch实现Yolov3网络结构
#基于torch的yolov3网络结构Darknet53实现 最近一段时间在研究目标检测,先从yolov3看起.本文讲下如何使用pytorch实现yolov3网络结构中的DarkNet53网络结构. ...
- YOLOV3 网络结构学习笔记
注:本文非原创,文章内容都是引用以下文章中,本文只是记录学习笔记. yolo系列之yolo v3[深度解析]_木盏的博客-CSDN博客_yolo3 YOLO v3算法详解_'Atlas'的博客-CSD ...
- YOLOV3网络结构搭建
YOLOV3 一.定义一个残差结构 # 残差结构 # 利用一个1x1卷积下降通道数,然后利用一个3x3卷积提取特征并且上升通道数 # 最后接上一个残差边 #---------------------- ...
- yolov3网络结构笔记
从yolo3_darknet53_coco(gluoncv/model_zoo/yolo/yolo3.py )调试获得,供参考 ------------------------------------ ...
- YOLOv3网络结构
YOLOv3使用的是全连接层,论文中的结构图: 每层输出情况: layer filters size input output0 conv 32 3 x 3 / 1 416 x 416 x 3 -&g ...
- Yolov3网络架构分析
Yolov3网络架构分析 上图三个蓝色方框内表示Yolov3的三个基本组件: CBL:Yolov3网络结构中的最小组件,由Conv+Bn+Leaky_relu激活函数三者组成. Res uni ...
- 【目标检测】yolo系列:从yolov1到yolov5之YOLOv3详解及复现
在v1.v2的原理和技巧介绍之后,v3除了网络结构,其余的改变并不多.本文着重描述yolov3的原理细节. 相关阅读: 论文:YOLOv3: An Incremental Improvement 源码 ...
- 【yolo】yolov3的pytorch版本保存自定义数据集训练好的权重,并载入自己的模型
多次试验终于测出来了!!很高兴,结果截图: 数据集是来自网上的,代码原型是github一个大概五千多star的pytorch-yolov3,但原代码并没有载入自己的模型进行训测试阶段,然后parser ...
最新文章
- 阿里云推荐引擎使用教程
- asp.net性能的技巧
- [Linux] shell
- poj 3281(最大流)
- comsol分析时总位移代表什么_【仿真百科】什么是结构力学?
- 达摩院 AI 进入中国科技馆,首张 AI 识别新冠 CT 成科技抗疫历史见证
- Null和Undefined类型
- IOS添加pch预编译文件
- 带码农《手写Mybatis》进度3:实现映射器的注册和使用
- 《JavaScript高级程序设计》chapter 1: javascript 简介
- 小白初涉,先试试水。涉及Python,C语言基础,机器学习等
- 集成Ehcache用来缓存表以后,怎么设置缓存刷新时间
- 谷歌发布Edge TPU芯片,云上模型本地运行丨附尝鲜地址
- 2021年南宁二中高考成绩查询,2021年广西南宁二中高考物理冲刺试卷(一).docx...
- 关于Myeclipse10的激活
- Rust: join,与concat
- asp.net ajax updatepanel中textbox 乱码问题 解决方案
- MMO-SNS类游戏服务器间数据交互策略分享
- 安卓机型app的编译与反编译 apk文件的简单说明与解析
- Ubuntu 双系统安装流程