YOLOv3网络改进(一)

参考：https://www.pythonheidong.com/blog/article/409533/

在官网或者AlexeyAB中，YOLOv3的推理过程是用route把第85和61层、97和36层特征拼接在一起，在13x13尺度的基础上，增加了26x26、52x52两个尺度。但是如果想要对更小的目标做检测时，增加浅层网络的FPN，即继续按照同样的拼接原理，将上采样之后的特征与浅层网络特征拼接，完成第4个甚至第5个特征尺度。接下来介绍如何增加第4个尺度。

原始yolov3结构

增加第4个尺度104x104

 

（图来源：https://www.pythonheidong.com/blog/article/409533/）

具体实现过程是：

在经过2倍上采样后，输出的特征尺度由52x52提升至104x104，再通过route层将第109层与特征提取网络的第11层特征进行特征融合，以充分利用深层特征和浅层特征。

为什么是109层呢？来数一下。因为要按照97和36拼接的同样步骤，在110层上，进行第109和第11层的拼接，109层是104x104x64，11层是104x104x128，拼接完就是104x104x192。

 

cfg修改：

在yolov3.cfg最后一层yolo层的后面，再增加一个检测层。部分内容如下：

完整的cfg在链接 https://pan.baidu.com/s/1b92jmcAPTgzxua4Pat7p4A

（提取码：xji2）

其他参数根据自己的数据集做适当的修改。

完成修改之后，重新训练即可。

理论上讲，本次操作没有修改到前面的卷积部分，在darknet的cfg里对应的是74层，所以在训练的时候，仍可以使用自带的预训练模型。

如果你改变了前面的卷积部分，那么应当重新训练，训练命令里面去掉预训练模型的路径它就不会加载预训练模型，而是用初始化权重去训练。