yolov3 yolo层 涉及到的数据的内存分布情况

最新推荐文章于 2024-09-10 15:29:43 发布
原创 最新推荐文章于 2024-09-10 15:29:43 发布 · 2.4k 阅读 · 9 ·
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：

#yolov3

本文深入解析YoloV3的内存布局，重点分析了yolo层在内存中的数据排布方式，以13*13的yolo层为例，详细介绍了每个cell产生3个boundingbox的数据结构和内存布局，对于理解YoloV3的工作原理和优化模型有重要作用。
部署运行你感兴趣的模型镜像

整个 yolov3 涉及到的比较复杂的数据在内存排布 就是 yolo层了，根据代码理了下，主要是 根据entry_index()进行分析

yolov3有3个yolo层， 具体结构参考
https://medium.com/@chih.sheng.huang821/深度學習-物件偵測yolov1-yolov2和yolov3-cfg-檔解讀-75793cd61a01
这个网址估计不容易访问，直接贴图

yolov3结构
这个地方主要针对 上图中 yolov3的output1 (输入大小为13*13) 进行分析，其他的类似

在输入大小为13*13的yolo层中,假设类别数为80,
每个batch中一张图像对应的数据个数为 3*13*13*(4+1+80)
这些数据在内存中是连续的

13*13==169个cell, 每个cell产生3个bounding box，每个bounding box 数据为 13*13*(4+1+80)

内存布局如下
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

YOLOv10训练自己的数据集（从代码下载到实例测试）
Limiiiing的博客
07-30 1万+
在Windows10上配置CUDA环境教程YOLOv10是YOLO（You Only Look Once）系列的最新版本，由清华大学的研究人员在Ultralytics Python包的基础上开发完成，并于2024年5月发布。作为一种实时端到端目标检测器，YOLOv10在性能、效率和精度方面均取得了显著提升，是计算机视觉领域的一项重要进展。主要特点无NMS的一致双分配训练策略：YOLOv10引入了无NMS的一致双分配训练策略，结合了一对多和一对一分配策略的优势。
AI：300 - YOLOv8 Neck层优化 | 基于ASF-YOLO的特征融合改进及应用分析
一键难忘的博客
09-20 3106
ASF-YOLO（Attention-based Spatial Fusion YOLO）是一种基于注意力机制的特征融合方法，旨在提高网络在处理不同尺度和语义信息时的能力。ASF-YOLO通过引入空间注意力机制和通道注意力机制，在特征融合层中增强了对重要特征的响应，从而提升了网络的表现。ASF-YOLO（Attention-based Spatial Fusion YOLO）在YOLOv8中的引入显著提升了特征融合层的性能，尤其是在目标检测和分割任务中展现出了优异的效果。
深入浅出 Yolo 系列之 Yolov7 基础网络结构详解
lilinke的博客
07-20 7万+
从 2015 年的 ** YOLOV1，2016 年 YOLOV2，2018 年的 YOLOV73，到 **2020 年的 YOLOV4、 YOLOV5， 以及最近出现的 ** YOLOV76** 和 ** YOLOV7** 可以说 YOLO 系列见证了深度学习时代目标检测的演化。对于 YOLO 的基础知识以及 YOLOV1 到 YOLOV5 可以去看大白的 YOLO 系列，本文主要对 YOLOV7 的网络结构进行一个梳理，便于大家直观的感受。 1. YOLOV7 整体结构 ...
通俗易懂的YOLO系列（从V1到V5）模型解读！
小白学视觉
01-01 4万+
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达0 前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别是什...
YOLOV3解读（3）
loco1223的博客
06-15 1万+
网络分析 DBL: 如图1左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu（正则化和激励）已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。 resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个...
Yolov5查看各层特征图方法
yang_yi520的博客
04-22 8504
使用方法很简单，只需要在utils中的general.py或者plots.py添加如下函数： import matplotlib.pyplot as plt from torchvision import transforms def feature_visualization(features, model_type, model_id, feature_num=64): """ features: The feature map which you need to visua
yolov-yolov渠道与层次修剪，知识提炼_yolov3 yolov4 channel and layer prun
最新发布
09-01
这一过程不仅涉及直接从教师模型中复制网络权重，还包括模仿教师模型的输出概率分布，也就是软标签（soft labels），这些软标签包含了更多的信息，有助于学生模型学习到更精细的特征表达。 yolov3和yolov4作为YOLO...
YOLO算法全家桶（YOLOV1~YOLOV12）
浩瀚之水的专栏
09-10 7914
YOLOV1作为目标检测领域的开创性模型，以其独特的设计理念和高效的检测性能赢得了广泛的关注和应用。尽管存在一些不足之处，但YOLOV1为后续的YOLO系列模型奠定了坚实的基础，推动了目标检测技术的不断发展。YOLOv6专注于提供极致的检测精度和推理效率，适用于自动驾驶、安防监控等多种领域。它支持模型训练、推理及多平台部署等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进和优化。Backbone。
YOLOv3 从入门到部署：（二）YOLOv3网络模型的构建（基于yolo-fastest-xl）
qq7835144的博客
03-26 2674
文章目录YOLOv3 从入门到部署：（二）YOLOv3网络模型的构建（基于yolo-fastest-xl）目录1. .cfg文件讲解 YOLOv3 从入门到部署：（二）YOLOv3网络模型的构建（基于yolo-fastest-xl） 目录 在这篇博客里，我们以yolo-fastest-xl为例，构建yolov3的模型。由于yolo-fastest-xl速度更快，参数数量更少，因此我们选择yolo-fastest-xl而不是yolov3-tiny。之后的关于yolov3的部署，也是使用本博客所构建的网络模型。
YOLO_V3 原理以及训练说明
CV_RC的博客
07-17 9万+
yolo_v3目标检测原理 Darknet 训练测试说明   yolo_v3   主要从三个方面来说明，网络的输入、结构、输出。   （1）网络输入：原论文中提到的大小320*320,416*416,608*608。这个大小必须是32的整数倍数，yolo_v3有5次下采样，每次采样步长为2，所以网络的最大步幅（步幅指层的输入大小除以输出）为2^5=32。   （2）网络结构：作者首先训练了...
Darknet 输出网络结构详解
淋曦的进击手记
01-28 7574
先来张图 一、各列说明 1. layer 这一列顾名思义，是层名称。 数字是层编号，后面是层名称。 conv：卷积层。 res：shortcut层（跨层连接，借鉴 resnet 而来，所以用res表示） yolo：YOLO层。 route：融合层，就是把层进行合并，然后输出到下一层。（后面再仔细讲） upsample：上采样层。 2. filters 这是对于 conv 来说的，代表过滤器的通道...
darknet详解（yolo图像检测）
m0_52571715的博客
11-16 1万+
darknet详解（yolo图像检测） 个人记录整理，如有转载请注明来源 https://blog.youkuaiyun.com/weixin_37731771/article/details/103666068， 本文中包含的一张图片来源于网络，如有不妥请与我联系。 文章目录darknet详解（yolo图像检测）简介安装使用使用预先训练模型测试训练自己的模型在Python中整合详解yolov3.cfg 参数详解issues 参考文档 darknet官方文档 Darknet概述 Yolo darknet训练自己
yolov3的yolo层理解
勇敢的蜗牛
06-12 1万+
yoloV3在经过多个卷积和上采样之后最终得到的是三个卷积结果，每一个卷积结果的长和宽分别是（13x13,26x26,52x52),深度信息是 [4(box信息)+1(物体判别信息)+80(classNum置信度)] *3(每个点上面计算几个anchor) yolo层的作用就是对这些信息进行解码操作。首先需要明白的是yolo层对3个anchor box信息不去重，如果三个anchor 都满足条件的...
darknet 所有层功能说明
zhuiqiuk的专栏
03-05 4004
激活函数： 很多层里面有 activation 这一项，这是激活函数，我看到的配置文件里面最常用的就3个： LINEAR：啥都不干 RELU ：值 > 0时保持不变，小于0时置0 LEAKY ：值 > 0时保持不变，小于0时值 * 0.1 （类似于caffe的prelu层） 卷积层： [convolutional] filters=96 # 输出blob通...
YOLO训练自己的数据集的一些心得
萝卜的博客
07-18 1万+
1）在yolo中训练时，修改源码文件detector后需要make clean 后重新make，修改cfg文件后不需要   （2）很多博客中会要求修改src中的yolo.c文件，其实那是早期的版本中训练要求的，darknet不需要。原因是这样的，在官网里有一段执行test的代码是：./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg ...
yolov3数据预处理--preprocess_true_boxes()
shuijinghua的博客
07-10 4921
流程:数据先经过preprocess_true_boxes()函数处理,然后做一些处理输入到模型,损失函数是yolo_loss(), 网络最后一个卷积层的输出作为函数yolo_head()的输入,然后再使用函数yolo_eval()得到结果 1. preprocess_true_boxes(true_boxes, input_shape, anchors, num_classes), 这个函数得...
YOLO源码详解（三）- 前向传播（forward）
木凌的博客
11-19 2万+
本系列作者：木凌 时间：201６年１１月。 文章连接：http://blog.youkuaiyun.com/u014540717 QQ交流群：554590241 一、主函数void forward_network(network net, network_state state)//network.c void forward_network(network net, network_state state) {
YOLOv3训练自己的数据详细步骤
热门推荐
不忘初心~
06-09 10万+
1. 下载YOLOv3工程项目 git clone https://github.com/pjreddie/darknet cd darknet 2. 修改Makefile配置，使用GPU训练，修改如下： GPU=1 #如果使用GPU设置为1，CPU设置为0 CUDNN=1 #如果使用CUDNN设置为1，否则为0 OPENCV=0 #如果调用摄像头，还需要设置OPENCV为1，...
yolov5训练自己的yolo数据集
03-24
<think>好的，我需要回答用户关于如何使用YOLOv5训练自定义YOLO数据集的问题。首先，我需要参考提供的三个引用内容，确保信息准确。根据引用[1]，用户想了解预训练模型、迁移学习以及YOLOv5的具体训练步骤。引用[2]和[3]提到了YOLOv8的配置变化和训练结果的可视化，但用户的问题集中在YOLOv5上，所以可能主要参考引用[1]和[3]。 首先，我需要整理训练步骤。用户需要的数据集准备是关键，包括目录结构、标注格式（YOLO格式的txt文件）、数据集配置文件（data.yaml）。然后安装依赖，如YOLOv5的代码库和必要的库。接着下载预训练模型，这是迁移学习的基础。配置训练参数，比如选择模型结构（yolov5s.yaml）、调整epochs、batch size等。启动训练命令，并监控训练过程，使用TensorBoard查看结果，如引用[3]提到的。最后是模型验证和导出。 需要注意的细节包括数据集的正确标注，确保每个图像对应的txt文件有正确的类别和归一化坐标。数据集配置文件中的路径要正确，类别名称顺序一致。训练时可能遇到的常见问题，比如CUDA内存不足，可能需要调整batch size。另外，用户可能需要知道如何解析训练后的结果，比如mAP、损失曲线等。 生成的相关问题需要与YOLOv5训练相关，可能涉及数据增强、超参数调整、常见错误处理等。需要确保问题覆盖用户可能感兴趣的扩展内容。 现在，按照步骤结构组织回答，确保每个部分清晰，并引用正确的来源。同时，遵循用户要求的格式，如行内公式用$...$，独立公式用$$...$$，但可能在这个回答中公式使用较少。最后，检查LaTeX语法是否正确，使用中文回答，并在适当位置添加引用标识。</think>### 如何使用YOLOv5训练自定义YOLO数据集 #### **1. 数据集准备** - **目录结构** 按照YOLOv5要求组织数据集，建议结构如下： ``` datasets/ ├── train/ │ ├── images/ # 存放训练集图片 │ └── labels/ # 存放训练集标签（.txt文件） ├── val/ │ ├── images/ # 验证集图片 │ └── labels/ # 验证集标签 └── data.yaml # 数据集配置文件 ``` - **标签格式** 每个图片对应一个.txt文件，内容为归一化的目标框坐标： `类别索引 x_center y_center width height` 例如：`0 0.45 0.6 0.3 0.4`[^1]。 - **创建data.yaml** 配置数据集路径和类别信息： ```yaml train: ../datasets/train/images val: ../datasets/val/images names: 0: cat 1: dog ``` #### **2. 环境安装** ```bash git clone https://github.com/ultralytics/yolov5 # 克隆官方仓库 cd yolov5 pip install -r requirements.txt # 安装依赖库 ``` #### **3. 下载预训练模型** YOLOv5提供多种预训练模型（如yolov5s.pt），用于迁移学习： ```bash wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.pt ``` #### **4. 配置训练参数** - **选择模型结构** 修改`models/yolov5s.yaml`中的`nc`字段为实际类别数。 - **启动训练** 运行以下命令（关键参数说明）： ```bash python train.py \ --img 640 \ # 输入图像尺寸 --batch 16 \ # 批次大小（根据GPU内存调整） --epochs 100 \ # 训练轮次 --data data.yaml \ # 数据集配置文件路径 --cfg yolov5s.yaml \ # 模型结构文件 --weights yolov5s.pt # 预训练权重 --name custom_train # 实验名称 ``` #### **5. 监控训练过程** - **使用TensorBoard** 查看损失曲线、精度等指标： ```bash tensorboard --logdir=runs # 默认端口6006[^3] ``` - **关键结果解读** - `metrics/mAP_0.5`: 平均精度（IoU=0.5） - `val/obj_loss`: 目标检测损失值 #### **6. 验证与导出模型** - **测试模型性能** ```bash python val.py --weights runs/train/custom_train/weights/best.pt --data data.yaml ``` - **导出为ONNX格式** ```bash python export.py --weights best.pt --include onnx ``` #### **注意事项** 1. 数据增强：默认启用Mosaic增强，可通过`--noaug`关闭。 2. 显存不足时，减小`--batch-size`或降低`--img-size`。 3. 多GPU训练：添加`--device 0,1`指定GPU编号。
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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