YOLOv3介紹

Yolo是You Look once的簡稱，是目標(biāo)檢測算法中比較常用的一種算法，從YOLOv1到Y(jié)OLOv5總共5個版本，這個算法不是最精準(zhǔn)的算法，但是它屬于在檢測速度和檢測精確度之間做了一個折中，其效果也是相當(dāng)不錯的。我們這里主要是介紹其中的第三個版本。

YOLOv3是目標(biāo)檢測算法中的YOLO算法的第三個版本。在這個版本中其實并沒有太多的創(chuàng)新點(diǎn)，更多的是借鑒了前兩個版本，但是卻在保持速度的同時，在精度上做了優(yōu)化。

YOLOv3使用了一個單獨(dú)的神經(jīng)網(wǎng)絡(luò)作用在圖像上，將圖像劃分成多個區(qū)域并且預(yù)測邊界框和每個區(qū)域的概率。

Darknet53

YoloV3所使用的主干特征提取網(wǎng)絡(luò)為Darknet53，它具有兩個重要特點(diǎn)：

1、Darknet53具有一個重要特點(diǎn)是使用了殘差網(wǎng)絡(luò)Residual，Darknet53中的殘差卷積就是首先進(jìn)行一次卷積核大小為3X3、步長為2的卷積，該卷積會壓縮輸入進(jìn)來的特征層的寬和高，此時我們可以獲得一個特征層，我們將該特征層命名為layer。

之后我們再對該特征層進(jìn)行一次1X1的卷積和一次3X3的卷積，并把這個結(jié)果加上layer，此時我們便構(gòu)成了殘差結(jié)構(gòu)。通過不斷的1X1卷積和3X3卷積以及殘差邊的疊加，我們便大幅度地加深了網(wǎng)絡(luò)。

殘差網(wǎng)絡(luò)的特點(diǎn)是容易優(yōu)化，并且能夠通過增加相當(dāng)?shù)?span id="d4rj54k" class="wpcom_tag_link">深度來提高準(zhǔn)確率。其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來的梯度消失問題。

2、Darknet53的每一個卷積部分使用了特有的DarknetConv2D結(jié)構(gòu)，每一次卷積的時候進(jìn)行l(wèi)2正則化，完成卷積后進(jìn)行BatchNormalization標(biāo)準(zhǔn)化與LeakyReLU。

普通的ReLU是將所有的負(fù)值都設(shè)為零，Leaky ReLU則是給所有負(fù)值賦予一個非零斜率。以數(shù)學(xué)的方式我們可以表示為：

代碼實現(xiàn)：

import mathfrom collections import OrderedDictimport torch.nn as nn# ———————————————————————## 殘差結(jié)構(gòu)# 利用一個1×1卷積下降通道數(shù)，然后利用一個3×3卷積提取特征并且上升通道數(shù)# 最后接上一個殘差邊# ———————————————————————#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] # 進(jìn)行權(quán)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_() # ———————————————————————## 在每一個layer里面，首先利用一個步長為2的3×3卷積進(jìn)行下采樣# 然后進(jìn)行殘差結(jié)構(gòu)的堆疊# ———————————————————————#def _make_layer(self, planes, blocks):layers = [] # 下采樣，步長為2，卷積核大小為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))) # 加入殘差結(jié)構(gòu)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

這里就是YOLOv3的骨干網(wǎng)絡(luò)的實現(xiàn)。