YOLOv3介绍
Yolo是You Look once的简称，是目标检测算法中比较常用的一种算法，从YOLOv1到YOLOv5总共5个版本，这个算法不是最精准的算法，但是它属于在检测速度和检测精确度之间做了一个折中，其效果也是相当不错的。我们这里主要是介绍其中的第三个版本。
YOLOv3是目标检测算法中的YOLO算法的第三个版本。在这个版本中其实并没有太多的创新点，更多的是借鉴了前两个版本，但是却在保持速度的同时，在精度上做了优化。
YOLOv3使用了一个单独的神经网络作用在图像上，将图像划分成多个区域并且预测边界框和每个区域的概率。
Darknet53
YoloV3所使用的主干特征提取网络为Darknet53，它具有两个重要特点：
1、Darknet53具有一个重要特点是使用了残差网络Residual，Darknet53中的残差卷积就是首先进行一次卷积核大小为3X3、步长为2的卷积，该卷积会压缩输入进来的特征层的宽和高，此时我们可以获得一个特征层，我们将该特征层命名为layer。
之后我们再对该特征层进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer，此时我们便构成了残差结构。通过不断的1X1卷积和3X3卷积以及残差边的叠加，我们便大幅度地加深了网络。
残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
2、Darknet53的每一个卷积部分使用了特有的DarknetConv2D结构，每一次卷积的时候进行l2正则化，完成卷积后进行BatchNormalization标准化与LeakyReLU。
普通的ReLU是将所有的负值都设为零，Leaky ReLU则是给所有负值赋予一个非零斜率。以数学的方式我们可以表示为：
代码实现：
import mathfrom collections import OrderedDictimport torch.nn as nn# ———————————————————————## 残差结构# 利用一个1×1卷积下降通道数，然后利用一个3×3卷积提取特征并且上升通道数# 最后接上一个残差边# ———————————————————————#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 = xout = self.conv1(x)out = self.bn1(out)out = self.relu1(out)out = self.conv2(out)out = self.bn2(out)out = self.relu2(out)out += residualreturn outclass DarkNet(nn.Module):def __init__(self, layers):super(DarkNet, self).__init__()self.inplanes = 32 # 416,416,3 -> 416,416,32self.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 -> 208,208,64self.layer1 = self._make_layer([32, 64], layers[0]) # 208,208,64 -> 104,104,128self.layer2 = self._make_layer([64, 128], layers[1]) # 104,104,128 -> 52,52,256self.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_channelsm.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3×3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3layers.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, out5def darknet53():model = DarkNet([1, 2, 8, 8, 4])return model
这里就是YOLOv3的骨干网络的实现。
