YOLOV3网络搭建 and 代码复现Pytorch and 元器件检测

不一样的崽

已于 2022-07-12 20:56:48 修改

阅读量817

点赞数 2

CC 4.0 BY-SA版权

分类专栏： # 目标检测文章标签： pytorch YOLOV3 目标检测 DarkNet53 FPN

于 2022-07-10 18:07:51 首次发布

本文链接：https://blog.youkuaiyun.com/mcuwangzai/article/details/125707654

本文详细介绍了YOLOV3的主干网络DarkNet53的结构及其特点，包括残差网络的设计和DarknetConv2D操作。接着，通过Python代码展示了DarkNet53的搭建过程，以及如何利用特征加强和YoloHead进行结果预测。最后，给出了源码地址和训练后的电容检测效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一. YOLOV3 网络

1.主干网络DarkNet53

YoloV3所使用的主干特征提取网络为Darknet53，它具有两个重要特点：
1、Darknet53具有一个重要特点是使用了残差网络Residual（残差结构可以在"分类"栏中的ResNet中了解）...... 。通过不断的1X1卷积和3X3卷积以及残差边的叠加，我们便大幅度的加深了网络。残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

2、Darknet53的每一个卷积部分使用了特有的DarknetConv2D结构，每一次卷积的时候进行l2正则化，完成卷积后进行BatchNormalization标准化与LeakyReLU。普通的ReLU是将所有的负值都设为零，Leaky ReLU则是给所有负值赋予一个非零斜率。以数学的方式我们可以表示为：

Fig1. DarkNet53结构表

画成流程图如下，更好理解：

上述流程图的关键字均与下面列出的代码中的参数名一样，对照网络结构看代码更易于理解。

二. 代码复现

1.DarkNet53搭建

import math
from collections import OrderedDict

import torch.nn as nn


#---------------------------------------------------------------------#
#   残差块结构
#   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
#---------------------------------------------------------------------#
class BasicBlock(nn.Module):
    def __init__(self, inplanes, planes):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes[0], kernel_size=1, stride=1, padding=0, bias=False)
        self.bn1   = nn.BatchNorm2d(planes[0])
        self.relu1 = nn.LeakyReLU(0.1)

        self.conv2 = nn.Conv2d(planes[0], planes[1], kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2   = nn.BatchNorm2d(planes[1])
        self.relu2 = nn.LeakyReLU(0.1)

    def forward(self, x):
        residual = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu1(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu2(out)

        out = out + residual

        return out

class DarkNet(nn.Module):
    def __ini