PaddleDetection算法分析（2）

最新推荐文章于 2024-11-16 08:00:00 发布

魏振川

最新推荐文章于 2024-11-16 08:00:00 发布

阅读量549

点赞数

CC 4.0 BY-SA版权

分类专栏： 2021SC@SDUSC 文章标签： python 自动驾驶人工智能

本文链接：https://blog.youkuaiyun.com/tegddhdrhdd/article/details/120817887

本文详细分析了基于Dacknet53的YOLOv3算法，解释了darknet53网络的构成，包括1个32个过滤器的卷积层和5组残差单元。每组残差单元由1x1和3x3卷积层组成，总共52层。此外，还讨论了残差网络、DarknetConv2D的定义以及如何构建三个不同尺度的检测图，用于检测不同大小的物体。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2021SC@SDUSC

特色垂类模型有两个模型一个是车辆检测一个是行人检测查看源代码是痛苦的事因此只看他的关键算法

基于Dacknet53的YOLOv3算法

darknet53一共53层卷积，除去最后一个FC（全连接层，实际上是通过1x1卷积实现的）总共52个卷积用于当做主体网络。

首先分析darknet53的网络结构

这52个卷积层是这样组成的：

首先是1个32个过滤器的卷积核，然后是5组重复的残差单元resblock_body（这5组残差单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的卷积层分别重复1次、2次、8次、8次、4次；在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3的卷积操作，过滤器数量先减半，再恢复），一共是52层。残差计算不属于卷积层计算。

52 = 1+ （1+1*2 ） + （1+2*2） + （1+8*2） + （1+8*2） + （1+4*2）

每组残差单元的第一个单独的卷积层操作均是一次步长为2的卷积操作，因此整个YOLO v3网络一共降维5次32倍，即：32=2^5，最后输出的特征图维度是13，即：13=416/32；最后1层的通道数是1024，最终的输出结构是(?, 13, 13, 1024)。所以，darknet53模型的输入是(?, 416, 416, 3)，输出是(?, 13, 13, 1024)。

这个52层网络是这么定义的：

def darknet_body(x):
 
    '''Darknent body having 52 Convolution2D layers'''
 
    x = DarknetConv2D_BN_Leaky(32, (3, 3))(x)
 
    x = resblock_body(x, num_filters=64, num_blocks=1)
 
    x = resblock_body(x, num_filters=128, num_blocks=2)
 
    x = resblock_body(x, num_filters=256, num_blocks=8)
 
    x = resblock_body(x, num_filters=512, num_blocks=8)
 
    x = resblock_body(x, num_filters=1024, num_blocks=4)
 
    return x

其中，

（1）第1个卷积层DarknetConv2D_BN_Leaky，是这么定义的：

def DarknetConv2D_BN_Leaky(*args, **kwargs):
 
    """Darknet Convolution2D followed by BatchNormalization and LeakyReLU."""
 
    no_bias_kwargs = {'use_bias': False}
 
    no_bias_kwargs.update(kwargs)
 
    return compose(
 
        DarknetConv2D(*args, **no_bias_kwargs),
 
        BatchNormalization(),
 
        LeakyReLU(alpha=0.1))

即：

（1.1）1个Darknet的2维卷积Conv2D层，即DarknetConv2D；