Darknet19详细原理（含tensorflow版源码）

原创 已于 2023-05-16 14:51:06 修改 · 4.4k 阅读 · 48 ·
CC 4.0 BY-SA版权
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。
文章标签：

#tensorflow #分类 #深度学习 #python

于 2023-04-04 10:02:23 首次发布
Darknet19是一个用于图像分类和检测的卷积神经网络，常作为YOLOv2的基础。网络结构包括卷积层、池化层和批量归一化层，以平衡计算速度和精度。文章提供了Darknet19的详细结构，并给出了基于TensorFlow的实现代码，用于训练猫狗分类数据集。

Darknet19原理

        Darknet19是一个轻量级的卷积神经网络，用于图像分类和检测任务。 它是YOLOv2目标检测算法的主干网络，它的优点在于具有较少的参数和计算量，在计算速度和精度之间取得了良好的平衡，同时在训练过程中也具有较高的准确率和收敛速度。

        Darknet19主要由卷积层、池化层和批量归一化层组成。根据名称可以看出，这些层是计算密集型的，且在网络的后端叠加了几个全连接层来输出预测，网络结构如下：

        输入层：输入尺寸为224x224x3的图像。

        卷积层1：使用32个3x3的卷积核，步长为1，填充为2，激活函数为ReLU。

        池化层1：使用2x2的最大池化，步长为2，不进行填充。

        卷积层2：使用64个3x3的卷积核，步长为1，填充为1，激活函数为ReLU。

        池化层2：使用2x2的最大池化，步长为2，不进行填充。

        卷积层3：使用128个3x3的卷积核，步长为1，填充为1，激活函数为ReLU。

        卷积层4：使用64个1x1的卷积核，步长为1，填充为0，激活函数为ReLU。

        卷积层5：使用128个3x3的卷积核，步长为1，填充为1，激活函数为ReLU。

        池化层3：使用2x2的最大池化，步长为2，不进行填充。

        卷积层6：使用256个3x3的卷积核，步长为1，填充为1，激活函数为ReLU。

        卷积层7：使用128个1x1的卷积核，步长为1，填充为0，激活函数为ReLU。

        卷积层8：使用256个3x3

最低0.47元/天 解锁文章
CV 经典主干网络 (Backbone) 系列: Darknet-19
走在深度学习前沿的小宋
04-05 1458
在目标检测领域的YOLO系列算法中，作者为了达到更好的分类效果，自己设置并训练了DarkNet网络作为骨干网络。作者在ImageNet数据集上进行实验，发现相较于ResNet网络，DarkNet在分类精度差不多的前提下，计算速度取得了领先。
【目标检测】yolov2特征提取网络------Darknet19结构解析及tensorflow和pytorch实现
m0_47405013的博客
08-03 1799
Darknet-19 是 YOLO v2 的 backbone。 Darknet-19 总共有 19 层 conv 层， 5 个 maxpooling 层。Darknet-19 吸收了 VGG16, NIN 等网络的优点，网络结构小巧，但是性能强悍。 可以看到， Darknet-19 的 stride 为32, 没有 fc 层，而是用了 Avgpool。下图截取自 Darknet 官网。可以看到 Darknet-19 的性能基本与 Resnet34 差不多。...
darknet 19 模型文件
12-02
darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。Darknet的优势： darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化； darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）； 正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展
darknet 19_448 模型文件
12-02
darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。Darknet的优势： darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化； darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）； 适合用来研究底层，可以更为方便的从底层对其进行改进与扩展
Darknet19的实现
belong_to_you的博客
04-24 2775
环境设置：tensorflow2.1 代码如下： #darknet19细节 import tensorflow as tf from tensorflow.keras.layers import Dense,Flatten,Conv2D,MaxPooling2D,ZeroPadding2D,UpSampling2D from tensorflow.keras.layers import In...
YOLO目标检测算法原理与TensorFlow实现
随着版本迭代，后续的YOLOv2（又称YOLO9000）引入了Batch Normalization、Anchor Boxes机制以及Darknet-19作为主干网络，进一步提升了精度与速度；而YOLOv3则采用了更深层次的Darknet-53，并融合了FPN（Feature ...
yolov3网络（DarkNet53）结构详解以及Pytorch代码实现
热门推荐
Just_do_myself的博客
03-18 2万+
目录引言网络结构讲解网络结构设计理念残差结构步长为2的卷积替换池化层网络性能评估yolo v3中Darknet-53网络基于Pytorch的代码实现总结 引言 yolo v3用于提取特征的backbone是Darknet-53，他借鉴了yolo v2中的网络（Darknet-19）结构，在名字上我们也可以窥出端倪。不同于Darknet-19的是，Darknet-53引入了大量的残差结构，并且使用步长为2，卷积核大小为3×3卷积层Conv2D代替池化层Maxpooling2D。通过在ImageNet上的分类表
YOLO v3 TensorFlow实战训练教程与源码发布
首先，我们将了解YOLO v3算法的核心原理，然后详细介绍TensorFlow平台的特性，再后讨论如何利用Python实现YOLO v3，并且提供PyTorch与YOLO v3的对比视角。最后，我们将探讨如何在自有的数据集上进行训练。 YOLO...
YOLO系列算法原理与源码解析（从v1到v5）
此外，YOLOv2还提出了Darknet-19作为新的主干网络，结合高分辨率分类预训练和多尺度训练策略，进一步增强了模型的表达能力和泛化性能。 YOLOv3则在YOLOv2的基础上实现了质的飞跃。其最大亮点是引入了FPN（Feature ...
【目标检测】YOLOv2 网络结构（darknet-19 作为 backbone）
Jiangnan_Cai的博客
03-18 2895
YOLOv2 网络结构
darknet:Darknet（AB版）框架原始码解析：详细的中文注释（逐句）和原理分析！
03-23
说明 2019接近尾声，开始想扩展到一个框架。比较了多个框架，发现darknet是一个较大的轻型的完全基于C与CUDA的开源深度学习框架，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。真正可以对神经网络的组件一探究竟，是提高自己对深度学习有效范本。 ``本人对Darknet的解读，为期接近3个月时间，从2020年8月5日到至今（10月23日），期间几乎查遍了优快云，知乎，github所有能看到关于Darknet的解读资源，这里特别感谢github上： 在此期间，也感谢那些微信上的联系人，经历他们的交流，因此让我疑惑的很多问题逐渐变得清晰起来。 由于darknet代码整个工程量还是很大的，以后，为了方便朋友们快速简单地了解darknet整个框架思想，我写了一个darknet迷你版本，整个代码只实现了所有和分类网络相关的火车部分。去除了其他seg，d
darknet19.mlpkginstall
11-03
迁移学习（Transfer Learning）：Matlab预训练模型的原始安装程序，用于特征提取、表达、目标识别等诸多任务
darknet-19与darknet53
weixin_42001184的博客
03-30 1942
Darknet是最经典的一个深层网络，结合Resnet的特点在保证对特征进行超强表达的同时又避免了网络过深带来的梯度问题，主要有Darknet19和Darknet53。
Darknet-19 模型结构-pytorch代码
最新发布
kiki5862的博客
05-29 459
Darknet-19是YOLOv2采用的特征提取网络，包含19个卷积层和5个池化层，结构简洁高效。其特点包括：使用3×3和1×1卷积核组合，每层后接BatchNorm和LeakyReLU激活；输入224×224图像时输出7×7×1024特征图。网络采用金字塔式下采样结构，通道数从32逐步增加到1024。当用于YOLOv2时，输入调整为416×416，最后几层需替换为检测头输出边界框预测。该网络平衡了计算效率和特征提取能力，为后续目标检测任务提供了良好的基础特征。
YOLOv3目标检测：原理与Darknet源码解析
weixin_34129696的博客
06-09 1073
Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. （冗谈不够，放码过来！）。 代码阅读是从入门到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。 YOLOv3的实现Da...
YOLOv2 的网络架构详解：深入探索 Darknet-19 的奥秘
u012133341的博客
04-15 975
因此，如果输入图像被划分为 S x S 的网格，并且使用了 B 个 Anchor Boxes，同时有 C 个类别，那么 YOLOv2 的输出维度就是 S x S x B x (5 + C)，其中 5 表示 4 个边界框偏移量和一个置信度。YOLOv1 在预测边界框中心点的偏移量时，直接预测相对于网格单元格的偏移量，这可能导致模型预测的中心点超出网格单元格的范围，尤其是在训练初期。是当前网格单元格的左上角坐标。随着网络深度的增加，特征图的尺寸逐渐减小，而通道数逐渐增加，这样可以提取到越来越抽象和高级的特征。
DarkNet 源码分析(一）
wwxy1995的博客
08-23 904
DarkNet 是纯C语言编写的深度学习框架，对于第三方库依赖比较少，对于多维数组，大量使用指针，其代码风格一般，但还是适合阅读，学习其用纯C语言解决问题的能力。 git clone下代码，首先全局搜索main函数。 int main(int argc, char **argv) { //test_resize("data/bad.jpg"); //test_box(); //test_convolutional_layer(); if(argc < 2){
Darknet源码分析（1）
TOYUNA的博客
07-29 674
Darknet源码分析，本文包括gemm、im2col、forward_batchnorm函数的算法解释
评论 26
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

打赏作者

爱笑的男孩。

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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