目标检测系列讲解（三）之yolov3原理论文讲解（二）-便宜云服务器开发者社区

目标检测系列讲解（三）之yolov3原理论文讲解（二）

2022-12-02 75

简介： 目标检测系列讲解（三）之yolov3原理论文讲解（二）

+关注继续查看

Darknet-53 模型结构：

好了下面我们开始讲这个模型结构，yolov3的主体模型结构叫做Darknet-53。这里之所以叫53的意思是这个网络结构有53个卷积层。我们可以数一下，每个Convolutional代表一个卷积层，旁边的数代表这个卷积层有几个类似的。且最下面的Connected的全连接层也代表一个卷积层，因此（2+1*2+1+2*2+1+2*8+1+2*8+1+4*2+1）= 53

另外还有一点需要强调的是网络结构图中每个卷积层Convolutional的完整构成是：

(卷积层 + BN层 + LeakyRelu层) = Convolutional

这里我们简单介绍一下LeakyReLU激活函数：

与Relu激活将负数部分前部置为0不一样的是，LeakyReLU激活函数则是保留负数部分对模型带来的一点影响，给负数部分一个很小的非零的倾斜率，让其对模型保留相应的影响效果，不会完全失效。

从网络结构图可以看出这些卷积核都是有3*3和1*1的卷积核构成。yolov3的很大的一个改进之处是借鉴了Resnet的残差结构，残差结构的好处是可以增加相当部分的网络深度而不会出现梯度爆炸等问题，因此可以加深网络进行提高网络的性能。

在论文中作者关于这个网络结构的描述很模糊，我还是看了其他大佬的讲解和源代码才弄清楚Darknet-53 的结构。

下面是Darknet-53 的pytorch源代码

class BasicBlock(nn.Module):
    def __init__(self, inplanes, planes):
        super(BasicBlock, self).__init__()
        self.conv1  = nn.Conv2d(inplanes, planes[0], kernel_size=1, stride=1, padding=0, bias=False)
        self.bn1    = nn.BatchNorm2d(planes[0])
        self.relu1  = nn.LeakyReLU(0.1)
       
        self.conv2  = nn.Conv2d(planes[0], planes[1], kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2    = nn.BatchNorm2d(planes[1])
        self.relu2  = nn.LeakyReLU(0.1)
    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu1(out)
        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu2(out)
        out += residual
        return out
class DarkNet(nn.Module):
    def __init__(self, layers):
        super(DarkNet, self).__init__()
        self.inplanes = 32
        # 416,416,3 -> 416,416,32
        self.conv1  = nn.Conv2d(3, self.inplanes, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn1    = nn.BatchNorm2d(self.inplanes)
        self.relu1  = nn.LeakyReLU(0.1)
        # 416,416,32 -> 208,208,64
        self.layer1 = self._make_layer([32, 64], layers[0])
        # 208,208,64 -> 104,104,128
        self.layer2 = self._make_layer([64, 128], layers[1])
        # 104,104,128 -> 52,52,256
        self.layer3 = self._make_layer([128, 256], layers[2])
        # 52,52,256 -> 26,26,512
        self.layer4 = self._make_layer([256, 512], layers[3])
        # 26,26,512 -> 13,13,1024
        self.layer5 = self._make_layer([512, 1024], layers[4])
        self.layers_out_filters = [64, 128, 256, 512, 1024]
        # 进行权值初始化
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
                m.weight.data.normal_(0, math.sqrt(2. / n))
            elif isinstance(m, nn.BatchNorm2d):
                m.weight.data.fill_(1)
                m.bias.data.zero_()
    #---------------------------------------------------------------------#
    #   在每一个layer里面，首先利用一个步长为2的3x3卷积进行下采样
    #   然后进行残差结构的堆叠
    #---------------------------------------------------------------------#
    def _make_layer(self, planes, blocks):
        layers = []
        # 下采样，步长为2，卷积核大小为3
        layers.append(("ds_conv", nn.Conv2d(self.inplanes, planes[1], kernel_size=3, stride=2, padding=1, bias=False)))
        layers.append(("ds_bn", nn.BatchNorm2d(planes[1])))
        layers.append(("ds_relu", nn.LeakyReLU(0.1)))
        # 加入残差结构
        self.inplanes = planes[1]
        for i in range(0, blocks):
            layers.append(("residual_{}".format(i), BasicBlock(self.inplanes, planes)))
        return nn.Sequential(OrderedDict(layers))
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu1(x)
        x = self.layer1(x)
        x = self.layer2(x)
        out3 = self.layer3(x)
        out4 = self.layer4(out3)
        out5 = self.layer5(out4)
        return out3, out4, out5  #这就是最后三个特征层的输出，输出提取的三个不同的特征
def darknet53():
    model = DarkNet([1, 2, 8, 8, 4])
    return model

如果光看论文的结构图感觉看不懂网络结构的可以读一下源代码就会清晰明了。（源码中是以416*416作为输入进行写的代码）

目标边界框的预测回归：

这就涉及到yolo的另一个定位的功能了，因为跟传统的目标检测不同的是，我们不仅需要识别目标的种类，还要对目标的位置进行定位。

σ(x)函数是sigmoid函数其目的是将预测的结果缩放到0到1之间。这里虚线框为anchor先验框的模板，pw，ph是模板的宽和高，tx，ty，tw，th分别为我们网络预测的偏移之后的目标中心坐标和需要对应到长款bw，bh的关键参数tw，th，这里可以理解为长的关键参数tw（即为影响长的缩放参数），宽的关键参数tw（即为影响宽的缩放参数）。

最终边界框的中心坐标为（bx，by），预测的目标框的长宽为bw，bh。

具体的计算方式如下：