yolov--12--YOLOv3的原理深度剖析和关键点讲解

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)

Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT

Yolov--3--TensorRT中yolov3性能优化加速（基于caffe）

yolov-5-目标检测：YOLOv2算法原理详解

yolov--8--Tensorflow实现YOLO v3

yolov--9--YOLO v3的剪枝优化

yolov--10--目标检测模型的参数评估指标详解、概念解析

yolov--11--YOLO v3的原版训练记录、mAP、AP、recall、precision、time等评价指标计算

yolov--12--YOLOv3的原理深度剖析和关键点讲解

---

yolo-v3原理深度剖析

问题

1、yolo-v3的架构是什么？

• darknet-53、顾名思义有53个卷积层

• DarkNet_53= Conv3x3 + Sum_(下采样 Conv3x3_步长为2 + N x DarkNetBlock)         ---N为下采样次数

  DarkNetBlock（含2层卷积）= Conv1x1 + Conv3x3 + Residual     

  所以我们可以发现DarkNet-53一共有1 + (1 + 1 x 2 ) + (1 + 2 x2) + (1 + 8 x 2) + (1 + 8 x 2) + (1 + 4 x 2) +全连接= 53个卷积层。

 

 

2、  每个Convolutional是什么结构？ 

• 与YOLO V2相同，每个Conv后面是Batch Normalization和Leaky ReLU操作，具体如图：

什么是Batch Normalization? 

• 顾名思义，batch normalization就是“批规范化”。
• 作用：在深度神经网络训练过程中使每一层神经网络的输入保持相同分布。使得结果（输出信号各个维度）的均值为0，方差为1.     https://www.bilibili.com/video/av16000304?from=search&seid=5165122783808131928

什么是Leaky ReLU?

• 见https://blog.csdn.net/qq_33869371/article/details/87885294
•  

 

2、YOLO V3和YOLO V2的 backbone有什么区别和相同点？

•  整个v3结构里面，是没有池化层和全连接层的。
• 前向传播过程中，张量的尺寸变换是通过改变卷积核的步长来实现的，比如stride=(2, 2)，这就等于将图像边长缩小了一半(即面积缩小到原来的1/4)。在yolo_v2中，要经历5次缩小，会将特征图缩小到原输入尺寸的1/32。若输入为416x416，则输出为13x13(416/32=13)。
• yolo_v3也和v2一样，backbone都会将输出特征图缩小到输入的1/32。所以，通常都要求输入图片是32的倍数。

可以对比v2和v3的backbone看看：（DarkNet-19 与 DarkNet-53）

    分析上图发现：

• yolo_v2中对于前向过程中张量尺寸变换，都是通过最大池化来进行，一共有5次。而v3是通过卷积核增大步长来进行，也是5次。(darknet-53最后面有一个全局平均池化，在yolo-v3里面没有这一层，所以张量维度变化只考虑前面那5次)。这也是416x416输入得到13x13输出的原因。
• darknet-19是不存在残差结构(resblock，从resnet上借鉴过来)的，和VGG是同类型的backbone(属于上一代CNN结构)，而darknet-53是可以和resnet-152正面刚的backbone。

---

3、YOLO V1误差函数图更改

有些博客YOLO V1误差函数图有误，在此更改并强调！

 

---

https://blog.csdn.net/qq_33869371/article/details/87706617 

https://blog.csdn.net/qq_33869371/article/details/90438256

https://blog.csdn.net/qq_33869371/article/details/89416062

有问题交流的小伙伴，请加微信：hy1786591，请注明 姓名_专业_学校/公司，同意后请写清楚问题 哈~，多谢！

---

参考：

https://blog.csdn.net/leviopku/article/details/82660381#commentBox

https://blog.csdn.net/chandanyan8568/article/details/81089083 

https://www.cnblogs.com/CJT-blog/p/10457438.html

https://blog.csdn.net/qq_27825451/article/details/88971395