yolo3+Mobilenetv1

最新推荐文章于 2024-05-25 07:00:00 发布

橘子都吃不起！

最新推荐文章于 2024-05-25 07:00:00 发布

阅读量9.3k

点赞数 9

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/weixin_42754237/article/details/84197457

本文探讨了将MobileNet作为主干网络应用于Yolo3架构中，旨在实现目标检测任务的轻量化。通过替换原有的Darknet53网络，利用MobileNet的分组卷积和点卷积特性，显著减少了计算量。实验在COCO数据集上进行fine-tune，并分析了分类损失和候选框损失，提出类别限制下整体loss收敛的可能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

之前研究了Yolo3网络结构，论文中没有写具体架构，跟着作者的代码把网络结构给扒出来了，如下图所示，主干网络是论文中提到的Darknet53网络，然后在主干网上嫁接出三个分辨率的探测网络。Darknet53网络原来是作为分类网络训练的，在Yolo3的架构中主要用于提取特征，后面3个分辨率的嫁接网络则在Darknet53提取的特征上进一步探测每个cell中包含目标的可能性、置信度、类别等信息，三个分辨率分别为13*13、26*26、52*52，分辨率越大，则小目标检测精度更高！！

在这个基础上，结合最近一直在跟的轻量化网络，考虑将MobileNet网络作为主干网替换Yolo3中的Darknet53网络，MobileNet网络主要利用分组卷积和点卷积替换了原来标准卷积，可以极大的消减主干网络中卷积运算的部分，使得网络的整体计算量大大减少，网络就命名为Yolov3-MobileNet吧。。。结构如下图所示：

在这里初始化权重的时候主干网络权重使用MobileNet作者训练好权重（不包括Mobilenet最后的AvgPool、FC、Softmax），然后嫁接网络部分还是用Yolo3训练好的权重。生成初始化权重后，再在coco训练集上final tune了3000次迭代，看loss下降到了7.2，分析了一下日志，损失里占大头的分类损失，候选框损失相对小很多。如果将类别分类限定在10类以下（coco训练集为80类物体探测），应该可以将整体loss收敛到0.5以下。