YOLO的网络结构（一）

最新推荐文章于 2025-04-23 10:01:02 发布
最新推荐文章于 2025-04-23 10:01:02 发布
阅读量6.2k 收藏 15
点赞数
分类专栏： yolo学习笔记
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。
本文链接：https://blog.youkuaiyun.com/weixin_45796980/article/details/109700186
版权
本文介绍了YOLO的网络结构，分为图片输入、Darknet-53基础网络和三个检测分支。Y1、Y2、Y3分别针对不同大小的目标检测，通过上采样和特征拼接实现。通道数255对应类别数、坐标和置信度。网络结构中包含卷积块、残差块和上采样操作。此外，文章还讲解了卷积层的工作原理、步长和填充，以及池化层和全连接层的作用。

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

YOLO的网络结构（一）

其网络结构能分为三部分。
第一部分：图片的输入
第二部分：基础网络。作者原文使用的是 Darkjnet-53 without FC layer。
第三部分：yolo v3的三个分支。y1（13x13x255）,y2（26x26x255）,y3(52x52x255)。

Y1从上面结点获取。是最高层的，最抽象的特征。适合比较大的目标检测；
Y2是在Y1的基础上做一个上采样+一个低层的一个特征进行连接（concat）。
适合中等的目标检测；
Y3是在Y2的基础上做一个上采样+一个更低层的一个特征进行连接（concat）。适合小 目标的检测。

三个尺度的输出皆是奇数，使得网格会有个中心位置。

通道数255：{[80(coco数据集共有80类)+[X+Y+W+H+Confiderce]}×3(anchor) = 255

在这里插入图片描述

CBL为卷积块：由conv2d，Batch Normalization，Leaky relu 这三个网络层组成。
Res为残差块：包含两个卷积块和一个add层，add层只是将相同维度的张量进行相加。
ResX为多个残差块,X代表残差块的个数。
上采样；将特征图的宽和高变成原来的两倍，通道数不变。
Concat张量拼接：相同宽和

最低0.47元/天 解锁文章
yolo学习之各版本网络结构
deep_love1314的博客
05-10 3634
一、前言 网上基本上给的网络结构图，都是搬运的江大白的。这些版本都比较老，江大白的还是yolov5-1.0的版本的时候的网络结构图。 因此我在学习这个的时候，非常有必要整理出以下版本的： （1）带focus的1.0-3.0（csp结构的） （2）带focus的4.0-5.0（C3结构的） （3）替换focus的6.0（C3结构的） 二、带focus的1.0-3.0（csp结构的） 1、以yolov5-1.0为代表： 对应yolov5-1.0，对应yaml Neck包括：neck
万字详解YOLOv8网络结构Backbone/neck/head以及Conv、Bottleneck、C2f、SPPF、Detect等模块
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-26 9万+
YOLOv8是由Ultralytics开发的最先进的目标检测模型，推升了速度、准确性和用户友好性的界限。YOLO这一缩写代表“你只看一次”（You Only Look Once），通过在一次网络传递中同时预测所有边界框，提升了算法的效率和实时处理能力。相比之下，其他一些目标检测技术需要经过多个阶段或过程来完成检测。YOLOv8在流行的YOLOv5架构上进行了扩展，在多个方面提供了改进。
yolo v3的网络结构
12-25
yolo v3的网络结构，用于目标检测，语义分割，内容较多，此处仅仅只是其网络结构。
2. YOLO11网络结构详细解析（以n版本为例）
最新发布
FXGroup博客
04-23 3663
网上的关于YOLO11网格结构图，要么有错误，要么细节不清晰。我们对YOLO11网格结构进行了具体解析。
yolo系列详细网络结构解析
zyy5789的博客
08-12 829
接上文 yolo实现目标检测教程。
YOLOv3网络结构和解析
dz4543的博客
05-09 8万+
学了这么久的YOLOv3，把自己的学习心得记录下。欢迎指正！ 参考： YOLOv3网络结构细致解析 基于keras-yolov3，原理及代码细节的理解 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf yolov3官网：https://pjreddie.com/darknet/yolo/ Keras版本推荐：https://github...
YOLOv5网络结构解析
dont worry about it的博客
05-06 5万+
YOLO（You Only Look Once）系列作为目标检测领域的重要算法，以其速度快、性能好而著称。YOLOv5是该系列的最新版本，它在保持YOLO一贯的简洁高效特点的同时，进一步优化了算法性能。本文将深入探讨YOLOv5的实现细节，包括其基础组件和关键实现步骤。
YOLO系列结构图-visio
03-08
1.YOLOV3 2.YOLOV4 3.YOLOV5
Yolo系列网络结构图visio文件
04-12
Yolo系列网络结构图visio文件
cv君独家视角 | AI内幕系列二十五：精选目标检测3——yolo1、yolo2、yolo3和SSD的网络结构汇总对比
cv君的博客
03-25 3万+
学习前言 各个网络的结构图与其实现代码 1、yolo1 2、yolo2 3、yolo3 4、SSD 总结 学习前言 ……最近在学习yolo1、yolo2和yolo3，事实上它们和SSD网络有一定的相似性，我准备汇总一下，看看有什么差别。 各个网络的结构图与其实现代码 1、yolo1 在这里插入图片描述 由图可见，其进行了二十多次卷积还有四次最大池化，其中3x3卷积用于提取特征，1x1卷积用于压缩特征，最后将图像压缩到7x7xfilter的大小，相当于将整个图像划分为7x7
YOLOv5【网络结构】超详细解读总结！！！建议收藏✨✨！
热门推荐
m0_57787115的博客
05-14 10万+
超全的YOLOv5网络结构超详细解读！让我们一起来学习yolov5吧！学习笔记总结！
yolov4的网络结构图（纯属原创）
07-31
自己根据一些大佬资料画的，下载了的朋友有不懂的地方可以留言讨论。引用注明出处就好，谢谢。 自己根据一些大佬资料画的，下载了的朋友有不懂的地方可以留言讨论。引用注明出处就好，谢谢。
YOLO深度网络
05-16
RCNN、Fast RCNN、Faster RCNN 都是基于深度神经网络的图像目标检测模型。虽然这一系列模型在训练和检测上针对精 度与效率都在不断地优化，但是仍旧没有实现训练测试的端到端，而 且当前的检测速度也还无法针对视频进行目标检测。因此，Girshick 团队又提出了针 对视频进行目标检测的模型 YOLO(You Only Look Once)，该模型的训练和测试上 都是端到端的操作。
YOLOv5网络模型的结构原理讲解（全）
码农研究僧的博客
04-25 9万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
Yolo系列各代网络结构分析(一)
qq_45983373的博客
03-14 1868
yolov1到yolov5的模型以及损失函数和改进之处的讲解。
YOLO的网络架构是怎样的？它包含哪些主要组件和层类型？
huidhsu的博客
07-08 3415
YOLO的网络架构是一种基于卷积神经网络（CNN）的目标检测算法，它将整个图像作为输入，并直接输出目标的位置和类别信息。与传统目标检测算法相比，YOLO具有较高的检测速度和较好的检测准确度。
yolov5 网络结构
金色旭光的博客
07-05 2049
本篇主要讲解yolov5的网络模型结构以及其代码实现。 到yolov5为止，yolo系列的网络模型结构发展快速的是1，2，3三代，4，5逐渐稳定优化。
yolo基础架构
highoooo的博客
08-30 2051
YOLO网络主要由三个主要组件组成。 1）Backbone -在不同图像细粒度上聚合并形成图像特征的卷积神经网络。 2）Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。 3）Head： 对图像特征进行预测，生成边界框和并预测类别。 我们可以在上述每个主要组件上使用不同的技术或者组合不同的方案来实现属于自己的最佳对象检测框架。 ...
YOLO-YOLOV5算法原理及网络结构整理
超爱吃小蛋糕的66的博客
03-24 5万+
介绍YOLO系列包括YOLO-YOLOV5的算法原理、网络框架以及版本之间的改进点
yolo网络结构
03-14
### YOLO网络结构详解 YOLO（You Only Look Once）是一种实时目标检测算法，其核心理念是将目标检测视为单一的回归问题。以下是关于YOLO网络的主要组成部分及其功能的详细介绍： #### 1. 基础网络架构 YOLO系列的不同版本均采用了改进的基础骨干网络来提取图像特征。例如，YOLOv8基于CSPNet构建[^1]。CSPNet（Cross Stage Partial Network）通过优化计算图的方式解决了大型卷积网络中的重复梯度问题，从而减少了模型参数和FLOPs，使模型更加轻量化并保持较高的速度。 #### 2. 特征融合网络 PAFPN 为了进一步增强特征表达能力，YOLO引入了路径聚合特征金字塔网络（Path Aggregation Feature Pyramid Network, PAFPN）。PAFPN结合自顶向下的上采样路径和自底向上的下采样路径，实现了多层次特征的有效融合，显著提升了小物体检测性能。 #### 3. 正负样本分配策略 SimOTA 在训练过程中，YOLOX提出了SimOTA（Simplified Optimal Transport Assignment），用于高效地完成正负样本匹配。SimOTA是从OTA（Optimal Transport Assignment）简化而来的一种方法，能够在不增加过多计算开销的情况下提高检测精度。实验表明，在YOLOv3的基础上应用SimOTA可提升AP约2.3个百分点[^2]。 #### 4. 多头注意力机制 PSAblock 部分YOLO变体还集成了多头注意力模块以捕捉全局上下文信息。具体来说，在PSAblock中利用了多头注意力以及由两层1×1卷积组成的前馈神经网络FFN。这种设计允许模型动态调整权重分布，并支持灵活配置是否启用残差连接[^3]。 ```python import torch.nn as nn class FFN(nn.Module): def __init__(self, channels_in, channels_out): super(FFN, self).__init__() self.conv1 = nn.Conv2d(channels_in, channels_out, kernel_size=1) self.relu = nn.ReLU() self.conv2 = nn.Conv2d(channels_out, channels_out, kernel_size=1) def forward(self, x): out = self.conv1(x) out = self.relu(out) out = self.conv2(out) return out + x if hasattr(self, 'residual') and self.residual else out ``` 上述代码片段展示了如何实现简单的前馈神经网络作为PSAblock的一部分。 ---
评论
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