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 · 2.3k 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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

4.2：YOLOv8的内存占用优化：研究如何减少模型运行时的内存需求（课程共18000字，4段代码举例，带详细操作步骤）
小兔子平安
06-17 42
在计算机视觉领域，目标检测技术一直是研究热点，而YOLO(You Only Look Once)系列算法因其出色的速度和精度平衡成为工业界和学术界的宠儿。YOLOv8作为最新一代的YOLO算法，在保持高精度的同时，对计算资源的需求也随之增加。特别是在边缘设备、移动终端等资源受限的环境中，模型的内存占用成为制约其应用的关键因素。本课程将深入探讨YOLOv8内存占用优化的各种技术手段，帮助开发者在保持模型性能的前提下，显著降低内存需求，使YOLOv8能够在更多场景中落地应用。
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 2936
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。
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...
深入浅出 Yolo 系列之 Yolov7 基础网络结构详解
热门推荐
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 网络结构
07-31 4187
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...
YOLO算法全家桶（YOLOV1~YOLOV12）
浩瀚之水的专栏
09-10 7540
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。
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。
YOLO的全面综述：从YOLOv1到最新版本
AI浩
12-07 7334
YOLO已成为机器人、无人驾驶汽车和视频监控应用的核心实时目标检测系统。我们全面分析了YOLO的演变，研究了从原始YOLO到YOLOv8、YOLO-NAS和带有Transformer的YOLO的每次迭代的创新和贡献。我们首先描述了标准指标和后处理；然后，我们讨论了每个模型在网络架构和训练技巧方面的主要变化。最后，我们总结了YOLO开发的重要经验教训，并对其未来提出了看法，强调了增强实时目标检测系统的潜在研究方向。关键词YOLO·目标检测·深度学习·计算机视觉。
yolov8backend-yolov8数据集资源
最新发布
06-26
yolov8backend-yolov8数据集资源涉及深度学习和计算机视觉领域中的一个重要应用——目标检测技术。YOLO（You Only Look Once）系列算法是其中的佼佼者，具有实时性高、准确率优良等特点。在目标检测领域，YOLO算法...
YOLO2+windows+gpu训练配置
07-19
windows下，基于GPU的YOLO2算法训练说明
Yolov3模型框架darknet研究（六）在cpu上运行yolov3完整版模型所需要的内存大小
ltshan139的专栏
05-11 8130
背景 前几天我同事在2G内存的linux服务器上想基于darknet框架运行yolov3完整版模型（即106层网络结构），结果发现内存不够。这里面引出一个话题，在cpu上基于darknet来加载、推理yolov3完整版到底要耗费多大内存？ 实验代码 下面实验数据是win10上面基于darknet_AB框架运行608x608的yolov3完整版模型所得。注意，如果网络size为416x416...
Darknet 输出网络结构详解
淋曦的进击手记
01-28 7462
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...
YOLOv3目标检测：原理与源码解析
06-07
Linux创始人LinusTorvalds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Darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。  本课程将解析YOLOv3的实现原理和源码，具体内容包括： YOLO目标检测原理  神经网络及Darknet的C语言实现，尤其是反向传播的梯度求解和误差计算 代码阅读工具及方法 深度学习计算的利器：BLAS和GEMM GPU的CUDA编程方法及在Darknet的应用 YOLOv3的程序流程及各层的源码解析本课程将提供注释后的Darknet的源码程序文件。  除本课程《YOLOv3目标检测：原理与源码解析》外，本人推出了有关YOLOv3目标检测的系列课程，包括：   《YOLOv3目标检测实战：训练自己的数据集》  《YOLOv3目标检测实战：交通标志识别》  《YOLOv3目标检测：原理与源码解析》  《YOLOv3目标检测：网络模型改进方法》 建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》或课程《YOLOv3目标检测实战：交通标志识别》，对YOLOv3的使用方法了解以后再学习本课程。
YOLOv8（n/s/m/l/x）&YOLOv7(yolov7-tiny/yolov7/yolov7x)&YOLOv5（n/s/m/l/x）不同模型参数/性能对比（含训练及推理速度）
weixin_45921929的博客
01-14 3万+
YOLOv8（n/s/m/l/x）&YOLOv7(yolov7-tiny/yolov7/yolov7x)&YOLOv5（n/s/m/l/x）不同模型参数/性能对比（含训练及推理速度）
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
darknet 所有层功能说明
zhuiqiuk的专栏
03-05 3987
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...
yolov5训练自己的yolo数据集
03-24
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...
评论 3
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